TUGAS AKHIR – SS141501
PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN EKONOMETRIKA DATA PANEL SPASIAL FAUSANIA HIBATULLAH NRP 062116 4500 0010 Dosen Pembimbing Dr. Ir. Setiawan, MS PROGRAM STUDI SARJANA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
TUGAS AKHIR – SS141501
PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN EKONOMETRIKA DATA PANEL SPASIAL FAUSANIA HIBATULLAH NRP 062116 4500 0010 Dosen Pembimbing Dr. Ir. Setiawan, MS PROGRAM STUDI SARJANA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
FINAL PROJECT – SS141501
GROSS DOMESTIC PRODUCT OF EAST JAVA MODELLING WITH ECONOMETRIC APPROACH OF SPATIAL PANEL DATA FAUSANIA HIBATULLAH SN 062116 4500 0010 Supervisor Dr. Ir. Setiawan, MS UNDERGRADUATE PROGRAMME DEPARTMENT OF STATISTICS FACULTY OF MATHEMATICS, COMPUTING, AND DATA SCIENCE INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
v
PEMODELAN PRODUK DOMESTIK REGIONAL BRUTO
DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN
EKONOMETRIKA DATA PANEL SPASIAL
Nama Mahasiswa : Fausania Hibatullah
NRP : 062216 4500 0010
Departemen : Statistika
Dosen Pembimbing : Dr. Ir. Setiawan, MS
Abstrak
PDRB menjadi salah satu indikator yang digunakan untuk mengukur
kegiatan ekonomi di suatu wilayah. Jawa Timur merupakan salah satu
provinsi yang mempunyai rata-rata kinerja ekonomi yang berkembang
lebih pesat dari rata-rata provinsi lain. Pemodelan terhadap PDRB perlu
dilakukan untuk mengoptimalkan pertumbuhan ekonomi dengan
mengetahui faktor-faktor yang memberikan kontribusi yang signifikan
terhadap peningkatan PDRB. PDRB merupakan output (barang dan jasa)
yang memerlukan input pada proses produksi yaitu modal dan tenaga
kerja. PDRB sangat mungkin dipengaruhi oleh lokasi atau kondisi
geografis wilayah sehingga ruang atau spasial perlu diperhitungkan
dalam analisis. Salah satu metode analisisnya adalah panel spasial. Data
panel lebih unggul dalam mempelajari perubahan dinamis. Penelitian ini
bertujuan menganalisis pengaruh dan memodelkan pinjaman yang
diberikan pada 3 sektor ekonomi, realisasi belanja daerah, kuantitas
dan kualitas tenaga kerja serta rasio elektrifikasi terhadap PDRB di
Provinsi Jawa Timur dengan pendekatan ekonometrika panel spasial.
Model terbaik yang telah memenuhi semua asumsi klasik adalah adalah
model SAR random effects menggunakan matriks pembobot queen
contiguity dengan melibatkan 3 variabel independen yang berpengaruh
signifikan terhadap peningkatan PDRB di setiap kabupaten/kota di
Provinsi Jawa Timur yaitu jumlah pinjaman yang diberikan oleh bank
pada 3 sektor utama di Provinsi Jawa Timur, realisasi belanja daerah dan
jumlah penduduk berusia 15 tahun keatas yang bekerja.
Kata Kunci : Modal, PDRB, Panel Spasial, Tenaga Kerja.
vi
(Halaman ini sengaja dikosongkan)
vii
GROSS DOMESTIC PRODUCT OF EAST JAVA
MODELLING WITH ECONOMETRIC APPROACH OF
SPATIAL PANEL DATA
Name : Fausania Hibatullah
Student Number : 062116 4500 0010
Department : Statistics
Supervisor : Dr. Ir. Setiawan, MS
Abstract
GDP became one of the indicators to measure economic activity
in a region. East Java is one of the provinces that has an average
economic performance that is growing more rapidly than the average of
other provinces. Modeling of GDP needs to be done to optimize economic
growth by knowing the factors that contribute significantly to the increase
of GDP. GDP is the output (goods and services) that require input on the
production process of capital and labor. GDP is very likely to be
influenced by the geographical location or geographical condition of the
area, so that space or spatial needs to be taken into account in the
analysis. One method of analysis is the spatial panel. Panel data is
superior in learning dynamic changes. This research wanted to analyze
the influence and modeling of loan given to 3 economic sectors,
realization of regional expenditure, quantity and quality of labor and
electrification ratio to GDP in East Java Province with econometric
approach of spatial panel. The best model that has fulfilled all the
classical assumptions is the SAR random effects model using weighted
queen contiguity matrix involving 3 independent variables that
significantly influence the increase of GDP in each regency/city in East
Java Province that is the amount of loan given by the bank in 3 main
sectors in East Java, realization of local expenditures and the number of
people aged 15 years and over who worked.
Key Words – Capital, GDP, Labor, Spatial Panel.
viii
(Halaman ini sengaja dikosongkan)
ix
KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang telah memberikan
limpahan hidayah, karunia dan rahmat-Nya yang tidak pernah
berhenti sehingga penulis dapat menyelesaikan Tugas Akhir yang
berjudul “Pemodelan Produk Domestik Regional Bruto di
Provinsi Jawa Timur dengan Pendekatan Ekonometrika Data
Panel Spasial” dengan baik. Penulis menyadari bahwa
penyusunan Tugas Akhir ini tidak lepas dari bantuan, arahan,
petunjuk serta motivasi dari berbagai pihak. Oleh karena itu penulis
ingin mengucapkan banyak terima kasih kepada :
1. Bapak Dr. Ir. Setiawan, MS, selaku dosen pembimbing Tugas
Akhir yang telah sangat banyak memberikan bimbingan,
saran, ide dan motivasi pada penulis mulai dari penyusunan
proposal Tugas Akhir hingga laporan Tugas Akhir dapat
terselesaikan.
2. Bapak Dr. Suhartono selaku kepala Departemen Statistika
FMKSD ITS, sekaligus dosen penguji yang telah memberikan
bimbingan dan saran agar laporan Tugas Akhir ini menjadi
lebih baik.
3. Bapak Imam Safawi Ahmad, M.Si selaku dosen penguji yang
telah banyak memberikan bimbingan dan saran pada penulis
agar laporan Tugas Akhir ini semakin lebih baik.
4. Bapak Dr. Sutikno, S.Si, M.Si, selaku Kepala Program Studi
Sarjana Departemen Statistika FMKSD ITS.
5. Seluruh dosen Departemen Statistika ITS yang telah
memberikan ilmu yang berharga serta seluruh karyawan yang
telah membantu kelancaran pelaksanaan perkuliahan.
6. Pihak Perpustakaan Badan Pusat Statistik Provinsi Jawa
Timur yang telah banyak membantu dalam perolehan data
Tugas Akhir.
7. Pihak PT. PLN (Persero) Distribusi Jawa Timur, yakni Bu
Ratna, Pak Irfan, Pak Budi dan Pak Alex yang telah
memberikan kesempatan untuk magang dan telah banyak
membantu dalam perolehan data Tugas Akhir.
x
8. Kedua orang tua (Moch. Ma’ruf dan Susi Indrawati) serta
keluarga yang selalu memberikan doa, bimbingan, dukungan,
kasih sayang serta kesabarannya dalam mendidik baik secara
materiil, moril, maupun spiritual.
9. Duta Darma dan teman-teman Lintas Jalur Statistika ITS
angkatan 2016, yang juga selalu memberikan doa, dukungan
dan bantuan dalam penyelesaian Tugas Akhir ini baik secara
langsung ataupun tidak langsung.
Penulis menyadari bahwa laporan Tugas Akhir ini masih jauh
dari kesempurnaan, oleh karena itu penulis terbuka atas kritik dan
saran yang membangun agar laporan Tugas Akhir ini dapat
mencapai kesempurnaan serta dapat dijadikan pertimbangan dalam
pengerjaan laporan Tugas Akhir berikutnya.
Surabaya, Juli 2018
Fausania Hibatullah
xi
DAFTAR ISI
Halaman
HALAMAN JUDUL................................................................ ii
TITLE PAGE ............................................................................ iii
LEMBAR PENGESAHAN .................................................... iv
ABSTRAK ............................................................................... v
ABSTRACT ............................................................................. vii
KATA PENGANTAR ............................................................. ix
DAFTAR ISI ............................................................................ xi
DAFTAR TABEL .................................................................... xv
DAFTAR GAMBAR ............................................................... xvii
DAFTAR LAMPIRAN ........................................................... xix
DAFTAR NOTASI .................................................................. xxiii
BAB I PENDAHULUAN
1.1 Latar Belakang ............................................................. 1
1.2 Rumusan Masalah ....................................................... 5
1.3 Tujuan .......................................................................... 5
1.4 Manfaat ........................................................................ 6
1.5 Batasan Masalah .......................................................... 6
BAB II TINJAUAN PUSTAKA
2.1 Statistika Deskriptif .................................................... 7
2.2 Peta Tematik ................................................................ 7
2.3 Explanatory Spatial Data Analysis (ESDA) ................ 7
2.3.1 Autokorelasi Spasial .............................................. 8
2.3.2 Matriks Pembobot Spasial ..................................... 8
2.3.3 Moran’s I ............................................................... 9
2.3.4 Moran’s Scatterplot ............................................... 11
2.3.5 Model Regresi Spasial............................................ 12
2.4 Uji Spasial Dependensi ................................................ 12
2.5 Model Regresi Spasial ................................................ 14
2.6 Model Panel Spasial ................................................... 15
2.7 Estimasi Model Panel Spasial ..................................... 16
2.6.1 Estimasi Model Data Panel .................................... 8
2.6.2 Estimasi Model Spasial Data Panel ........................ 8
xii
2.8 Kriteria Kebaikan Model (Goodness of Fit) ............... 21
2.9 Pengujian Asumsi Model ............................................. 22
2.10 Produk Domestik Regional Bruto Atas Dasar Harga
Konstan ...................................................................... 25
2.11 Teori Pertumbuhan Neoklasik ................................... 27
2.12 Penelitian Sebelumnya ............................................... 28
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data ............................................................... 31
3.2 Variabel Penelitian ....................................................... 32
3.3 Definisi Operasional .................................................... 33
3.3.1 Pinjaman yang Diberikan ....................................... 33
3.3.2 Belanja Daerah ....................................................... 35
3.3.3 Jumlah Penduduk Usia 15 Tahun Keatas yang
Bekerja ................................................................. 36
3.3.4 Rata-Rata Lama Sekolah ....................................... 36
3.3.5 Rasio Elektrifikasi ................................................. 37
3.4 Langkah Analisis ......................................................... 37
3.5 Spesifikasi Model ........................................................ 40
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Karakteristik PDRB Provinsi Jawa Timur dan
Variabel yang Mempengaruhi ................................ 43
4.1.1 Karakteristik PDRB Provinsi Jawa Timur
Menurut Kabupaten/Kota dan Penentuan Matriks
Pembobot Customize ............................................. 44
4.1.2 Pola Persebaran Variabel yang Mempengaruhi
PDRB di Provinsi Jawa Timur Menurut
Kabupaten/Kota .................................................... 47
4.1.3 Analisis Korelasi PDRB di Provinsi Jawa Timur
dengan Variabel yang Mempengaruhi PDRB ....... 57
4.2 Pemodelan PDRB Provinsi Jawa Timur dengan
Pendekatan Ekonometrika Panel Spasial ................ 60
4.2.1 Explanatory Spatial Data Analysis (ESDA) ......... 60
4.2.2 Pengujian Dependensi Spasial .............................. 66
xiii
4.2.3 Pemodelan PDRB Provinsi Jawa Timur dengan
Pendekatan Ekonometrika Panel Spasial .............. 68
4.2.4 Pemilihan Model Terbaik dalam Pemodelan
PDRB di Jawa Timur dengan Menghilangkan
Variabel yang Terindikasi Menyebabkan
Terjadinya Multikolinearitas ................................. 76
4.2.5 Pengujian Asumsi Residual IIDN ......................... 84
4.2.6 Pemodelan PDRB di Provinsi Jawa Timur dengan
SAR Random Effects Menggunakan Data Trial ... 87
4.2.7 Pengujian Asumsi Residual IIDN Data Trial ....... 88
4.2.8 Interpretasi Model ................................................. 92
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan .................................................................... 95
5.2 Saran ............................................................................... 96
DAFTAR PUSTAKA .............................................................. 97
LAMPIRAN
BIODATA PENULIS
xiv
(Halaman ini sengaja dikosongkan)
xv
DAFTAR TABEL
Halaman
Tabel 2.1 Ukuran Kebaikan Model untuk Panel Spasial ...... 22
Tabel 2.2 Uji Hipotesis Durbin Watson ................................ 24
Tabel 3.1 Daftar Kabupaten/Kota di Provinsi Jawa Timur ... 34
Tabel 3.2 Variabel Penelitian ................................................ 35
Tabel 3.3 Struktur Data ......................................................... 36
Tabel 4.1 Uji Korelasi Antara y dan x ................................... 59
Tabel 4.2 Uji Moran’s I ........................................................ 61
Tabel 4.3 Uji Lagrange Multiplier (LM) .............................. 67
Tabel 4.4 Estimasi Parameter Model SAR dengan Matriks
Pembobot Queen Contiguity ................................. 70
Tabel 4.5 Estimasi Parameter Model SEM dengan Matriks
Pembobot Queen Contiguity ................................. 71
Tabel 4.6 Estimasi Parameter Model SAR dengan Matriks
Pembobot Customize............................................. 72
Tabel 4.7 Estimasi Parameter Model SEM dengan Matriks
Pembobot Customize............................................. 73
Tabel 4.8 Nilai VIF Variabel Independen ............................. 74
Tabel 4.9 Korelasi Pearson Antar Variabel Independen ...... 75
Tabel 4.10 Uji Lagrange Multiplier ........................................ 77
Tabel 4.11 Estimasi Parameter Model SAR 3 Variabel
Independen dengan Matriks Pembobot Queen
Contiguity ............................................................. 79
Tabel 4.12 Estimasi Parameter Model SEM 3 Variabel
Independen dengan Matriks Pembobot Queen
Contiguity ............................................................. 80
Tabel 4.13 Estimasi Parameter Model SAR 3 Variabel
Independen dengan Matriks Pembobot
Customize .............................................................. 81
Tabel 4.14 Estimasi Parameter Model SEM 3 Variabel
Independen dengan Matriks Pembobot
Customize .............................................................. 82
xvi
Tabel 4.15 Hasil Estimasi SAR Random Effects pada Data
Trial....................................................................... 87
xvii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Ilustrasi Contiguity ............................................. 9
Gambar 2.2 Moran’s Scatterplot ............................................ 12
Gambar 3.1 Diagram Alir ...................................................... 39
Gambar 4.1 Timeseries Plot PDRB dan Prediktor Jawa
Timur .................................................................. 43
Gambar 4.2 Peta Tematik PDRB Jawa Timur ....................... 44
Gambar 4.3 Peta Tematik Pinjaman Sektor Pertanian,
Peternakan, Kehutanan dan Perikanan Jawa
Timur .................................................................. 48
Gambar 4.4 Peta Tematik Pinjaman Sektor Industri
Pengolahan Jawa Timur ..................................... 49
Gambar 4.5 Peta Tematik Pinjaman Sektor Perdagangan,
Hotel dan Restoran Jawa Timur ......................... 51
Gambar 4.6 Peta Tematik Realisasi Belanja Daerah Jawa
Timur .................................................................. 52
Gambar 4.7 Peta Tematik Jumlah Penduduk Usia 15 Tahun
Keatas yang Bekerja Jawa Timur ....................... 54
Gambar 4.8 Peta Tematik Rata-Rata Lama Sekolah Jawa
Timur .................................................................. 55
Gambar 4.9 Peta Tematik Rasio Elektrifikasi Jawa Timur .... 57
Gambar 4.10 Scatterplot Antara y dan x .................................. 58
Gambar 4.11 Moran’s Scatterplot dengan Matriks Queen
Contiguity ........................................................... 62
Gambar 4.12 Moran’s Scatterplot dengan Matriks
Customize ........................................................... 64
Gambar 4.13 Plot Residual vs Fits ........................................... 84
Gambar 4.14 Plot ACF ............................................................ 85
Gambar 4.15 Uji Kolmogorov-Smirnov ................................... 86
Gambar 4.16 Plot Residual vs Fits Data Trial ......................... 89
Gambar 4.17 Plot ACF Residual Data Trial ............................ 90
Gambar 4.18 Uji Kolmogorov-Smirnov Data Trial .................. 91
xviii
(Halaman ini sengaja dikosongkan)
xix
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Data Penelitian ............................................... 101
Lampiran 2 Data Penelitian yang Ditransformasi dalam
Bentuk ln........................................................ 103
Lampiran 5 Rata-Rata dan Standar Deviasi dari Pinjaman
yang Diberikan Oleh Bank pada Sektor
Pertanian, Peternakan, Kehutanan dan
Perikanan Tahun 2010-2016 (Juta Rupiah) ... 105
Lampiran 4 Rata-Rata dan Standar Deviasi dari Pinjaman
yang Diberikan Oleh Bank pada Sektor
Industri Pengolahan Tahun 2010-2016 (Juta
Rupiah) .......................................................... 106
Lampiran 5 Rata-Rata dan Standar Deviasi dari Pinjaman
yang Diberikan pada Sektor Perdagangan,
Hotel dan Restoran Tahun 2010-2016 (Juta
Rupiah) .......................................................... 107
Lampiran 6 Rata-Rata dan Standar Deviasi dari Realisasi
Belanja Daerah Tahun 2010-2016 (Juta
Rupiah) .......................................................... 108
Lampiran 7 Rata-Rata dan Standar Deviasi dari Jumlah
Penduduk Berusia 15 Tahun Keatas yang
Bekerja Tahun 2010-2016 (Jiwa) .................. 109
Lampiran 8 Rata-Rata dan Standar Deviasi dari Rata-
Rata Lama Sekolah Tahun 2010-2016
(Tahun) .......................................................... 110
Lampiran 9 Rata-Rata dan Standar Deviasi dari Rasio
Elektrifikasi Tahun 2010-2016 ...................... 111
Lampiran 10 Uji Moran’s I dengan Matriks Pembobot
Queen Contiguity ........................................... 112
Lampiran 11 Uji Moran’s I dengan Matriks Pembobot
Customize....................................................... 114
xx
Lampiran 12 Uji Dependensi Spasial dengan Lagrange
Multiplier dengan Matriks Pembobot Queen
Contiguity ...................................................... 116
Lampiran 13 Uji Dependensi Spasial dengan Lagrange
Multiplier dengan Matriks Pembobot
Customize ....................................................... 118
Lampiran 14 Pemodelan SAR Panel dengan Matriks
Pembobot Queen Contiguity .......................... 120
Lampiran 15 Pemodelan SEM Panel dengan Matriks
Pembobot Queen Contiguity .......................... 123
Lampiran 16 Pemodelan SAR Panel dengan Matriks
Pembobot Customize...................................... 125
Lampiran 17 Pemodelan SEM Panel dengan Matriks
Pembobot Customize...................................... 129
Lampiran 18 Pendeteksian Multikolinearitas dengan VIF
dan Korelasi ................................................... 132
Lampiran 19 Uji Dependensi Spasial 3 Variabel
Independen dengan Lagrange Multiplier
Menggunakan Matriks Pembobot Queen
Contiguity ...................................................... 132
Lampiran 20 Uji Dependensi Spasial 3 Variabel
Independen dengan Lagrange Multiplier
Menggunakan Matriks Customize.................. 134
Lampiran 21 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks
Pembobot Queen Contiguity .......................... 136
Lampiran 22 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks
Pembobot Queen Contiguity .......................... 139
Lampiran 23 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks
Pembobot Customize...................................... 142
Lampiran 24 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks
Pembobot Customize...................................... 145
xxi
Lampiran 25 Pemodelan SAR Random Effects Data Trial
dengan 3 Variabel Independen Menggunakan
Matriks Pembobot Queen Contiguity ............ 148
Lampiran 26 Surat Pernyataan Pengambilan Data .............. 149
Lampiran 27 Surat Perizinan Pengambilan Data di PT.
PLN (Persero) Distribusi Jawa Timur ........... 150
xxii
(Halaman ini sengaja dikosongkan)
xxiii
DAFTAR NOTASI
i = Indeks untuk dimensi cross-section
t = Indeks untuk dimensi waktu
j = Indeks untuk variabel independen
N = Banyaknya observasi cross-section
T = Banyaknya periode waktu
W = Matriks pembobot spasial berukuran NxN
wij = Elemen dari matriks pembobot W
I = Indeks Moran’s I
E(I) = Nilai ekspektasi dari indeks Moran’s I
Var(I) = Nilai varians dari indeks Moran’s I
Zhitung = Nilai statistik uji indeks Moran’s I
= Koefisien autokorelasi spasial lag
it = Autokorelasi spasial error
= Koefisien autokorelasi spasial error
K = Banyaknya parameter regresi
ity = Observasi terhadap variabel dependen pada data ke-i
waktu ke-t
xit = Vektor baris (1 k ) dari observasi variabel independen
β = Vektor kolom ( 1k ) dari parameter regresi
i = Efek spesifik spasial
it = Error yang berdistribusi normal dari observasi ke-i dan
waktu ke- t dengan mean 0 dan varians 2
= Kronecker Product *
ity = Proses demeaning dari variabel y
*
itx = Proses demeaning dari variabel x
= Bobot yang terkait pada komponen cross-section dari
data
ity• = Transformasi variabel y terhadap
xxiv
xxiv
itx• = Transformasi variabel x terhadap
NI = Matriks identitas berukuran NxN
)(0 xF = Fungsi distribusi kumulatif teoritis
( )nS x = Fungsi peluang kumulatif pengamatan dari suatu
sampel random
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perekonomian adalah salah satu indikator kemajuan suatu
negara, hal ini dikarenakan perekonomian menjadi salah satu
pondasi utama kekuatan suatu negara. Pembangunan ekonomi
merupakan serangkaian usaha yang ditujukan untuk meningkatkan
kesejahteraan masyarakat, mengurangi angka pengangguran dan
meminimalkan ketimpangan pendapatan di masyarakat.
Pembangunan ekonomi akan berjalan efektif dan efisien ketika
berpijak pada perencanaan pembangunan yang tepat sasaran.
Produk Domestik Regional Bruto (PDRB) menjadi salah satu
indikator yang digunakan untuk mengukur kegiatan ekonomi di
suatu wilayah. Perekonomian di suatu wilayah dikatakan tumbuh
dan berkembang jika barang dan jasa yang diproduksi lebih besar
(BPS Jatim, 2016). Jawa Timur merupakan salah satu provinsi
yang mempunyai rata-rata kinerja ekonomi yang berkembang lebih
pesat dari rata-rata provinsi lain (BPS Jatim, 2015).
Perekonomian Jawa Timur pada tahun 2016 menghasilkan
nilai tambah atas dasar harga konstan sebesar Rp. 1.855,04 triliun,
nilai ini setara dengan 14,65 persen perekonomian nasional dan
meningkat dibandingkan dengan tahun 2015 yang sebesar 14,53
persen (BPS Jatim, 2016). Pemodelan terhadap PDRB di Provinsi
Jawa Timur perlu dilakukan untuk mengoptimalkan pertumbuhan
ekonomi dengan mengetahui faktor-faktor yang memberikan
kontribusi yang signifikan terhadap peningkatan PDRB. PDRB
merupakan output (barang dan jasa) yang memerlukan input pada
proses produksi yaitu modal dan tenaga kerja. Hal ini juga
dijelaskan dari persamaan teori pertumbuhan Solow yang
didasarkan pada fungsi produksi Cobb-Douglas, dimana faktor
produksi terdiri dari modal dan tenaga kerja (Zamzami, 2014).
Modal dapat dialirkan melalui berbagai sumber, diantaranya bank,
pemerintah maupun infrastruktur.
2
Bank memiliki peran yang strategis dalam meningkatkan
pertumbuhan dan pembangunan ekonomi. Bank melayani
kebutuhan pembiayaan serta melancarkan mekanisme sistem
pembayaran bagi semua sektor perekonomian melalui kegiatan
perkreditan dan berbagai jasa yang diberikan (Bermas, 2014). Saat
ini 70% pembiayaan untuk meningkatkan kapasitas usaha masih
tergantung pada sektor perbankan. Pemerintah mulai
memperkenalkan kredit komersial melalui bank sejak bulan
Desember 1973 dengan mengalirkan modal kedalam
perekonomian yang bertujuan untuk menunjang pemerataan
pembangunan dan membantu memperluas kesempatan kerja,
sehingga tidak ada perekonomian yang mampu berkembang tanpa
adanya peranan bank (Suyatno dkk., 1995). Pinjaman atau kredit
yang diberikan oleh Bank Umum maupun BPR terdiri dari
pinjaman berdasarkan lapangan usaha dan non lapangan usaha,
pinjaman yang diduga berperan dalam peningkatan perekonomian
melalui peningkatan PDRB adalah pinjaman yang diberikan
berdasarkan sektor lapangan usaha. Pinjaman berdasarkan
lapangan usaha meliputi 9 sektor. Terdapat 3 sektor utama yang
perlu dijadikan fokus di Provinsi Jawa Timur karena 3 sektor ini
memberikan kontribusi terbesar pada berkembangnya
perekonomian Provinsi Jawa Timur diantaranya sektor industri
pengolahan, perdagangan dan pertanian (Tempo, 2017).
Pengaliran modal kedalam perekonomian selain dari
perbankan juga dapat berasal dari pemerintahan. Teori
pengeluaran pemerintah menjelaskan bahwa pembelanjaan
pemerintah terhadap berbagai kegiatan pembangunan akan
meningkatkan pengeluaran agregat dan mempertinggi tingkat
kegiatan ekonomi negara (Sukirno, 2006). Pembelanjaan
pemerintah daerah yang tercermin dalam realisasi belanja
daerah. Pengeluaran-pengeluaran untuk membiayai
administrasi pemerintah, membangun dan memperbaiki
infrastruktur, menyediakan fasilitas pendidikan dan kesehatan,
membiayai anggaran pertahanan dan keamanan merupakan
pengeluaran yang wajib dilakukan oleh pemerintah (Sukirno,
3
2006). Infrastruktur terbagi menjadi infrastruktur ekonomi,
sosial dan administrasi. Infrasturktur ekonomi merupakan
infrastruktur fisik yang diperlukan untuk menunjang aktivitas
ekonomi, meliputi public utilities (tenaga, telekomunikasi, air,
sanitasi, gas), public work dan transportasi (World Bank, 1994).
Penelitian sebelumnya yang dilakukan oleh Alatan dan
Basana pada tahun 2015 menyatakan bahwa pertumbuhan kredit
sektor pertanian, industri pengolahan dan konstruksi berpengaruh
secara signifikan terhadap pertumbuhan ekonomi Provinsi Jawa
Timur dengan mengguanakan metode regresi Ordinary Least
Square (OLS). Penelitian lain yang dilakukan oleh Afrizal pada
tahun 2013 menyatakan bahwa belanja pemerintah dan tenaga
kerja berpengaruh secara signifikan namun memiliki korelasi yang
negatif terhadap PDRB di Provinsi Sulawesi Selatan dengan
metode regresi linier berganda. Hasil penelitian yang tidak sesuai
dengan teori ekonomi dapat terjadi dikarenakan ketidaktepatan
dalam pemilihan metode. Kabupaten/kota provinsi Jawa Timur
mempunyai karakteristik yang berbeda.
Analisis data tidak akan akurat jika hanya menggunakan
metode regresi sederhana apabila suatu observasi mengandung
informasi ruang dan spasial (Anselin, 1998). Asumsi yang harus
dipenuhi dalam analisis regresi sederhana yaitu antar pengamatan
adalah saling bebas (independent), sedangkan kasus PDRB sangat
mungkin dipengaruhi oleh lokasi atau kondisi geografis wilayah
sehingga jika dianalisis menggunakan regresi linier akan
menghasilkan kesimpulan yang kurang tepat. Data ruang atau
spasial perlu diperhitungkan dalam analisis. Model spasial yang
didasarkan atas teori ekonomi yang disebut dengan spatial
econometrics dan salah satu metode yang dapat digunakan adalah
panel spasial. Panel spasial adalah data yang mengacu pada suatu
posisi, objek dan hubungan diataranya dalam ruang bumi (Anselin,
1998). Komponen yang paling mendasar dalam panel spasial
adalah matriks pembobot, matriks inilah yang mencerminkan
adanya hubungan antara wilayah yang satu dengan wilayah yang
4
lainnya (Grasa, 1989).
Nilai PDRB dan variabel-variabel yang diduga
mempengaruhinya di setiap kabupaten/kota di Provinsi Jawa
Timur mengalami fluktuasi setiap tahun. Pemodelan faktor-faktor
yang mempengaruhi PDRB atas dasar harga konstan di Provinsi
Jawa Timur dengan model ekonometrika spasial menggunakan
data cross section dan data time series di kabupaten/kota di
Provinsi Jawa Timur, sehingga digunakan data panel di dalam
penelitian ini untuk menggabungkan kedua tipe data tersebut. Data
panel adalah gabungan antara data cross section dan data time
series dimana unit cross section yang sama diukur dalam waktu
yang berbeda. Terdapat beberapa kelebihan dalam menggunakan
data panel yaitu lebih unggul dalam mempelajari perubahan
dinamis, lebih dapat mendeteksi dan mengukur pengaruh-pengaruh
yang tidak dapat diobservasi pada data cross section murni dan
time series murni, dan dapat meminimalisasi bias (Baltagi dkk.,
2010).
Terdapat kemungkinan ketergantungan spasial antara
pengamatan pada masing-masing waktu ketika data panel
menggabungkan komponen lokasional. Fakta bahwa jarak
mempengaruhi perilaku ekonomi adalah alasan utama untuk
pengamatan yang terkait dengan lokasi tertentu untuk bergantung
pada pengamatan di lokasi lain (Elhorst, 2003). Interaksi spasial
yang akan menjadi bahan kajian pada penelitian ini adalah
dependensi antarwilayah. Dependensi spasial dapat dimodelkan
salah satunya dengan Spatial Autoregressive Model (SAR) yang
mengasumsikan variabel dependen pada suatu wilayah berkaitan
dengan variabel dependen pada wilayah lainnya, selain itu adalah
dengan Spatial Error Model (SEM) dimana diasumsikan error
model pada suatu wilayah memiliki korelasi spasial dengan
wilayah lainnya. Prosedur estimasi parameter model ekonometrika
data panel spasial mengacu pada Elhorst (2013) yang menguraikan
mengenai estimasi parameter pada model SAR dan SEM dengan
melibatkan model panel fixed effects dan random effects dengan
metode estimasi maximum likelihood. Penelitian ini bertujuan
5
untuk mengkaji karakteristik pertumbuhan ekonomi berdasarkan
PDRB di Provinsi Jawa Timur dengan mempertimbangkan adanya
dependensi spasial antar kabupaten/kota menggunakan data panel.
Perbedaan antara penelitian ini dengan penelitian sebelumnya
adalah menggunakan pinjaman yang diberikan oleh bank pada 3
sektor ekonomi utama dan rasio elektrifikasi di Provinsi Jawa
Timur sebagai variabel independen, selain itu menambahkan
matriks pembobot spasial customize yang memperhatikan
karakteristik PDRB di Provinsi Jawa Timur dalam analisis.
Penelitian mengenai faktor-faktor yang berpengaruh terhadap
PDRB di setiap kabupaten/kota Provinsi Jawa Timur
menggunakan pendekatan ekonometrika panel spasial ini
diharapkan mampu menghasilkan model yang menggambarkan
kondisi perekonomian di Jawa Timur yang dapat dijadikan dasar
terkait pengambilan kebijakan pemerintah Provinsi Jawa Timur
dalam mengoptimalkan pembangunan ekonomi.
1.2 Rumusan Masalah
Latar belakang yang telah dijabarkan mengenai pemodelan
Produk Domestik Regional Bruto (PDRB) di setiap kabupaten/kota
di Provinsi Jawa Timur menghasilkan 2 perumusan masalah yaitu
bagaimana pola PDRB dan variabel-variabel yang diduga
mempengaruhinya secara deskriptif dengan peta tematik dan
bagaimana hasil estimasi model panel spasial pada variabel-
variabel yang berpengaruh terhadap PDRB di setiap
kabupaten/kota Provinsi Jawa Timur.
1.3 Tujuan
Perumusan masalah yang muncul menghasilkan tujuan yang
ingin dicapai dalam penelitian ini yaitu sebagai berikut :
1. Mendeskripsikan pola PDRB dan variabel-variabel yang
diduga mempengaruhinya di setiap kabupaten/kota Provinsi
Jawa Timur dengan peta tematik.
6
2. Mendapatkan estimasi model variabel-variabel yang
berpengaruh terhadap PDRB di setiap kabupaten/kota
Provinsi Jawa Timur dengan metode panel spasial.
1.4 Manfaat
Manfaat yang diharapkan dari penelitian ini adalah
mengembangkan dan mengaplikasikan ilmu statistika serta
memberikan metode alternatif untuk penyelesaian masalah yang
melibatkan analisis dependensi spasial dengan konteks data panel.
Luaran dari penelitian ini adalah menghasilkan model yang
menggambarkan kondisi perekonomian di Jawa Timur yang dapat
dijadikan sebagai tambahan informasi terkait pengambilan
kebijakan pemerintah Provinsi Jawa Timur dalam mengoptimalkan
pembangunan ekonomi.
1.5 Batasan Masalah
Batasan yang digunakan dalam penelitian ini adalah
pemodelan dilakukan dengan menggunakan metode SAR (Spatial
Autoregressive Model) dan SEM (Spatial Error Model) pada
masing-masing variabel yang diduga berpengaruh terhadap PDRB
di setiap kabupaten/kota Provinsi Jawa Timur sehingga dihasilkan
model pendekatan ekonometrika panel spasial. Model data panel
yang digunakan adalah metode data panel statis. PDRB yang
digunakan dalam penelitian ini adalah PDRB atas dasar harga
konstan karena nilainya tidak terpengaruh oleh inflasi sehingga
lebih tepat untuk digunakan dalam mengukur pertumbuhan
ekonomi di suatu wilayah. Variabel jumlah penduduk berusia 15
tahun keatas yang bekerja tahun 2016 diestimasi dengan metode
trend linear, hal ini dikarenakan data jumlah penduduk berusia 15
tahun keatas pada Badan Pusat Statistik terbatas hanya untuk
estimasi tingkat provinsi pada tahun 2016.
7
BAB II
TINJAUAN PUSTAKA
Pada bab ini akan diuraikan mengenai teori dan konsep yang
berkaitan dengan analisis yang digunakan dalam penelitian ini,
antara lain statistika deskriptif, peta tematik, spatial pattern
analysis, uji dependensi spasial, model regresi panel, ekonometrika
panel spasial beserta pengujian asumsi yang diperlukan, dan
definisi dari variabel PDRB.
2.1 Statistika Deskriptif
Statistika deskriptif merupakan bagian dari statistika yang
membahas tentang metode-metode untuk menyajikan data
sehingga menarik dan informatif. Secara umum, statistika
deskriptif dapat diartikan sebagai metode-metode yang berkaitan
dengan pengumpulan dan penyajian suatu gugus data sehingga
memberikan informasi yang berguna. Statistika deskriptif
memberikan informasi hanya mengenai data yang dipunyai dan
sama sekali tidak menarik inferensia (Walpole, 2012).
2.2 Peta Tematik
Peta tematik adalah gambaran dari sebagian permukaan
bumi yang dilengkapi dengan informasi tertentu, baik di atas
maupun di bawah permukaan bumi yang mengandung tema
tertentu. Peta tematik ini biasanya mencerminkan hal-hal yang
khusus. Selain itu peta tematik merupakan peta yang memberikan
suatu informasi mengenai tema tertentu, baik data kualitatif
maupun data kuantitatif. Peta tematik sangat erat kaitannya dengan
SIG (Sistem Informasi Geografis) karena pada umumnya output
dari proyek SIG adalah berupa peta tematik (Barus dan
Wiradisastra, 2000).
2.3 Exploratory Spatial Data Analysis (ESDA)
Exploratory Spatial Data Analysis (ESDA) adalah
kumpulan teknik untuk menggambarkan dan memvisualisasikan
distribusi spasial, mengidentifikasi lokasi atipikal, menemukan
8
pola asosiasi spasial (spatial cluster), dan bentuk ketidakstabilan
spasial atau ketidakstasioneran spasial lainnya (Anselin, 2005).
2.3.1 Autokorelasi Spasial
Autokorelasi spasial adalah korelasi variabel dengan
variabel itu sendiri berdasarkan letak geografis (Lee dan Wong,
2001). Autokorelasi spasial juga adalah setiap data spasial
memiliki karakteristik yang berupa jarak, panjang dan
kelembaman dimana dia akan berkorelasi dengan dirinya sendiri.
Autokorelasi spasial juga dikenal dengan self correlation. Adanya
autokorelasi spasial mengindikasikan bahwa nilai atribut pada
daerah tertentu terkait oleh nilai atribut tersebut pada daerah lain
yang letaknya berdekatan (O’Sullivan dan Unwin, 2010).
2.3.2 Matrik Pembobot Spasial
Matrik pembobot spasial dapat ditentukan dengan beragam
metode. Salah satu metode penentuan matrik pembobot spasial
yang digunakan adalah Queen Contiguity (Persinggungan sisi-
sudut). Matrik pembobot (W) berukuran NxN, dimana setiap
elemen matrik menggambarkan ukuran kedekatan antara
pengamatan i dan pengamatan j (O’Sullivan dan Unwin, 2010).
W =
11 12 13 1
21 22 23 2
1 2 3
N
N
N N N NN
w w w w
w w w w
w w w w
. (2.1)
Matrik pada Persamaan (2.1) memberikan ilustrasi
mengenai perhitungan matrik pembobot menggunakan Queen
Contiguity. Ilustrasi tersebut menggunakan lima daerah sebagai
pengamatannya. Elemen matrik didefinisikan 1 untuk wilayah
yang bersisian (common side) atau titik sudutnya (common vertex)
bertemu dengan daerah yang menjadi perhatian, sedangkan daerah
lainnya didefinisikan elemen matrik pembobot sebesar nol. Untuk
daerah 5, didapatkan w52 = 1, w54 = 1, w58 = 1, w56 = 1, dan yang lain
sama dengan nol. Matrik W memiliki ukuran matrik 9x9 dengan
ilustrasi yang ditunjukkan pada Gambar 2.1 (Lee dan Wong, 2001).
9
1 2 3
4 5 6
7 8 9
Gambar 2.1 Ilustrasi Continguity
Matrik pembobot yang dapat terbentuk pada Gambar 2.1 dituliskan
pada Persamaan (2.2).
0 1 0 1 1 0 0 0 0
1 0 1 1 1 1 0 0 0
0 1 0 0 1 1 0 0 0
1 1 0 0 1 0 1 1 0
1 1 1 1 0 1 1 1 1
0 1 1 0 1 0 0 1 1
0 0 0 1 1 0 0 1 0
0 0 0 1 1 1 1 0 1
0 0 0 0 1 1 0 1 0
=
W. (2.2)
2.3.3 Moran’s I
Koefisien Moran’s I merupakan pengembangan dari korelasi
Pearson pada data univariate series. Korelasi Pearson antara
variabel x dan y dengan banyak data n dituliskan pada Persamaan
(2.3).
1 1 1
2 2
2 2
1 1 1 1
N N N
i i i i
i i i
xyN N N N
i i i i
i i i i
N x y x y
N x x N y y
= = =
= = = =
− =
− −
. (2.3)
Persamaan (2.3) digunakan untuk mengukur apakah variabel x dan
y saling berkorelasi. Morans’I mengukur korelasi dalam satu
variabel misal dan i jx x dengan i j , dimana
1,2,.., dan 1,2,..,i N j N= = dengan banyak data sebesar N, maka
10
rumus dari Morans’I dinyatakan dalam persamaan (2.4) (Lee dan
Wong, 2001).
1 1
2
0
1
( )( )
( )
N N
ij i j
i j
N
i
i
N w x x x x
I
S x x
= =
=
− −
=
−
. (2.4)
x pada Persamaan (2.4) merupakan rata-rata dari variabel x, wij
merupakan elemen dari matrik pembobot, dan S0 adalah jumlahan
dari elemen matrik pembobot, dengan :
0
1 1
.N N
ij
i j
S w= =
= (2.5)
Nilai dari indeks I berkisar antara -1 hingga 1. Identifikasi pola
menggunakan kriteria nilai indeks I, jika I>I0, maka mempunyai
pola mengelompok (cluster), dan I<I0, maka mempunyai pola
menyebar (Lee dan Wong, 2001). I0 merupakan nilai ekspektasi
dari I dan dirumuskan pada Persamaan (2.6).
0
1( ) , dengan adalah jumlah observasi.
1E I I N
N= = −
− (2.6)
Pengujian hipotesis terhadap parameter I dapat dilakukan sebagai
berikut :
H0 : I = 0 (Tidak ada autokorelasi spasial)
H1 : I ≠ 0 (Ada autokorelasi spasial)
Statistik uji dari indeks Moran’s I diturunkan dalam bentuk
statistik peubah acak normal baku. Hal ini didasarkan pada teori
Dalil Limit Pusat dimana untuk N yang besar dan ragam diketahui
maka Z(I) akan menyebar normal baku (Lee dan Wong, 2001),
seperti pada Persamaan (2.7).
)(
)(
IVar
IEIZ hitung
−= , (2.7)
dengan :
I = Indeks Moran’s I
Zhitung = Nilai statistik uji indeks Moran’s I
11
E(I) = Nilai ekspektasi dari indeks Moran’s I
Var(I) = Nilai varians dari indeks Moran’s I 2 2 2
1 2 0 1 2 0
2 2 2
0 0
{( 3 3) 3 } { ( 1) 2 6 } 1( )
( 1)( 2)( 3) ( 1)( 2)( 3) ( 1)
N N N S NS S k N N S NS SVar I
N N N S N N N S N
− + − + − − += − −
− − − − − − −
(2.8)
dengan, 2
1
1 1
1( )
2
N N
ij ji
i j
S w w= =
= +
4 2 2
1 1
( ) / (( (( ) ) )N N
i i
i i
k x x x x= =
= − −
2
2 . . . .
1 1 1
( ) , , N N N
i i i ij i ji
i j j
S w w W w W w= = =
= + = = .
Pengujian ini akan menolak hipotesis awal jika nilai
|Zhitung|>Zα/2 atau jika P-value<α. Nilai dari indeks I adalah antara -
1 sampai 1. Apabila I>I0 maka data memiliki autokorelasi positif,
jika I<I0 maka data memiliki autokorelasi negatif.
2.3.4 Moran’s Scatterplot
Moran’s scatterplot menunjukkan hubungan antara nilai
amatan pada suatu lokasi (distandarisasi) dengan rata-rata nilai
amatan lokasi-lokasi yang bertetanggaan dengan lokasi yang
bersangkutan (Lee dan Wong, 2001). Ilustrasi dari Moran’s
scatterplot ditunjukkan pada Gambar 2.2.
Gambar 2.2 Moran’s Scatterplot
stdWZ merupakan perkalian antara matriks pembobot
spasial dengan nilai amatan pada suatu lokasi yang telah
12
distandarisasi. Scatterplot tersebut terdiri atas empat kuadran, yaitu
kuadran I, II, III, dan IV. Lokasi-lokasi yang banyak berada di
kuadran I dan III cenderung memiliki autokorelasi positif,
sedangkan lokasi-lokasi yang banyak berada di kuadran II dan IV
cenderung memiliki autokorelasi negatif. Berdasarkan Gambar 2.2
dapat dijelaskan dari masing-masing kuadran. Kuadran I (High-
High), menunjukkan lokasi yang mempunyai nilai amatan tinggi
dikelilingi oleh lokasi yang memiliki nilai amatan tinggi. Kuadran
II (Low-High), menunjukkan lokasi yang mempunyai nilai amatan
rendah dikelilingi oleh lokasi yang memiliki nilai amatan tinggi.
Kuadran III (Low-Low), menunjukkan lokasi yang mempunyai
nilai amatan rendah dikelilingi oleh lokasi yang memiliki nilai
amatan rendah. Kuadran IV (High-Low), menunjukkan lokasi yang
mempunyai nilai amatan tinggi dikelilingi oleh lokasi yang
memiliki nilai amatan rendah.
2.3.5 Model Regresi Spasial
Pemodelan spasial dapat dibedakan menjadi pemodelan
dengan pendekatan titik dan area berdasarkan tipe data. Jenis
pendekatan area diantaranya Spatial Autoregressive Models (SAR)
dan Spatial Error Models (SEM) (Anselin, 1998). Model regresi
spasial secara umum adalah sebagai berikut :
2 dimana (0, ).N
= + +
= +
y Wy Xβ u
u Wu ε ε I (2.9)
dengan adalah koefisien lag untuk model SAR dan adalah
koefisien error untuk model SEM. Apabila 0 = , model yang
terbentuk adalah Spatial Autoregressive Models (SAR) yang
dituliskan sebagai berikut :
.= + +y Wy Xβ ε (2.10)
Model yang terbentuk apabila 0 = adalah Spatial Error Models
(SEM) yang dituliskan sebagai berikut :
.= + +y Xβ Wu ε (2.11)
Sedangkan apabila 0 = dan 0 = , maka model yang terbentuk
adalah model regresi linier = +y Xβ ε .
13
2.4 Uji Spasial Dependensi
Tahap awal sebelum melakukan estimasi parameter model
dengan pendekatan ekonometrika spasial adalah menguji adanya
ketergantungan wilayah (spatial dependency) dengan suatu uji
statistik yang sesuai. Salah satu uji statistik untuk mengetahui
adanya spatial dependency adalah dengan menggunakan uji
Lagrange Multiplier (LM) dan uji Robust Lagrange Multiplier
(RLM). Uji LM spatial lag bertujuan untuk mengetahui apakah
suatu model dikatakan model spatial lag sedangkan pengujian
untuk mengetahui model spatial error adalah dengan uji LM
spatial error (Elhorst, 2013). 1. Pengujian dependensi spatial lag
Hipotesis yang digunakan dalam pengujian ini adalah sebagai
berikut :
0: 0H = (tidak ada dependensi lag spasial panel dalam model)
1: 0H (ada dependensi lag spasial panel pada model)
Statistik Uji:
22
ˆe '( ) / )T
LMJ
=
I W Y, (2.12)
dengan,
1 2
2
1ˆ ˆ ˆ(( ) ( ( )
ˆT T WJ TT
−
= − +,
NTI W Xβ) I X(X'X) X') I W Xβ ,
dan (WW + W'W)WT tr= (2.13)
( ) ( )2
2
T 2ˆe' I W e' I W e /
ˆ
J W
LM
Y
robustTT
− =
−
. (2.14)
2. Pengujian dependensi spatial error
Hipotesis yang digunakan dalam pengujian ini adalah sebagai
berikut :
0 : 0H = (tidak ada dependensi error spasial panel dalam model)
1 : 0H (ada dependensi error spasial panel pada model)
14
statistik uji:
22
ˆe '( )e / )T
w
LMT T
=
I W (2.15)
( ) ( )2
2
T T2ˆe' I W e' I W
ˆ J
1J
W
WW
e TT
robust LMTT
TT
− =
−
Y /.
(2.16)
Statistik uji LM berdistribusi 2
)( p dengan H0 ditolak apabila LM >
2
)( p .
2.5 Model Regresi Panel
Gabungan data cross section dan time series disebut data
panel (panel pooled data). Regresi dengan menggunakan data
panel disebut model regresi data panel. Ada beberapa keuntungan
yang diperoleh dengan menggunakan data panel. Pertama, data
panel mampu menyediakan data yang lebih banyak sehingga akan
menghasilkan degree of freedom yang lebih besar. Kedua,
menggabungkan informasi dari data time series dan cross section
dapat mengatasi masalah yang timbul ketika adalah masalah
penghilangan variabel (commited-variable) (Widarjono, 2013).
Model regresi panel dengan efek spesifik spasial tetapi tanpa
interaksi spasial dapat dituliskan seperti persamaan berikut:
it it i ity x = + +β (2.17)
Efek spesifik spasial i pada persamaan (2.17) dapat
diperlakukan sebagai fixed effects atau random effect.
Keterangan :
i adalah indeks untuk dimensi cross-section (unit spasial), dimana
i = 1,2,…,N.
t adalah indeks untuk dimensi waktu (periode waktu), dimana t =
1,2,…,T.
15
+
+
+
NT
T
N
Nk
NTkNTNT
TkTT
kNNN
k
k
xxx
xxx
xxx
xxx
xxx
1
1
21
11
2
1
2
1
21
12111
11211
21212211
11112111
β adalah vektor kolom ( 1k ) dari parameter yang tidak diketahui.
i adalah efek spesifik spasial.
it adalah eror yang berdistribusi normal dari observasi ke-i dan
waktu ke- t dengan mean 0 dan varians 2 .
2.6 Model Panel Spasial
Regresi panel menggabungkan informasi dari data time
series dan cross section. Sedangkan regresi spasial merupakan
suatu analisis untuk mengevaluasi hubungan antara satu variabel
dengan variabel lain dengan mempertimbangkan pengaruh spasial.
Sehingga model regresi yang menggunakan data panel untuk
mengevaluasi hubungan spasial disebut model regresi panel
spasial. Model spasial panel yang digunakan dalam penelitian ini
adalah regresi SAR panel dan SEM panel.
SAR (Spatial Autoregressive Model) adalah salah satu
metode spasial dengan pendekatan area dimana diasumsikan
variabel dependen pada suatu wilayah berkaitan dengan variabel
dependen wilayah lainnya dalam model. Ketika terdapat interaksi
secara spesifik antar unit spasial, maka model mengandung spasial
lag pada variabel dependen atau proses spasial autoregressive yang
dikenal sebagai model spasial lag. Model spasial lag dinyatakan
bahwa variabel dependen saling keterkaitan dengan variabel
dependen tetangga dan satu bagian dari karakteristik lokal
(Anselin, 1998). Model spasial lag dituliskan sebagai berikut :
1
N
it ij jt it i it
j
y w y x =
= + + + β , (2.18)
dengan, adalah koefisien autoregressive spasial
ijw adalah elemen dari matrik pembobot (W) spasial
itx adalah vektor observasi pada variabel independen pada unit
spasial ke-i dan pada waktu ke-t dengan β adalah vektor parameter
Sehingga dari persamaan (2.18), matriks model spasial yang dapat
dituliskan sebagai berikut:
16
11 11 12 1 1 11
21 21 22 2 21
1 1 2 1
11 12 1
1 21 22 2 1
1 1 2
N N
N
N N N NN N
N
T N T
NT N N N NN NT
y w w w w y
y w w w y
y w w w y
w w w
y w w w y
y w w w w y
=
SEM (Spatial Error Model) adalah salah satu metode spasial
dengan pendekatan area yang diasumsikan pada error model suatu
wilayah dengan wilayah lainnya terdapat korelasi spasial.
,it it i ity x = + +β
=
+=N
j
ititijit w1
,
(2.19)
dengan, it adalah autokorelasi spasial error dan adalah
koefisien autokorelasi spasial.
2.7 Estimasi Model Panel Spasial
2.7.1 Estimasi Model Data Panel (Tanpa Interaksi Spasial)
Efek panel yang akan disertakan dalam model adalah efek
spesifik individu µi, dengan tidak mengikutsertakan efek spesifik
waktu i . Dalam penelitian ini, individu yang diteliti adalah unit
spasial, oleh karena itu efek spesifik individu selanjutnya akan
disebut efek spesifik spasial. Model regresi panel dengan efek
spesifik spasial tetapi tanpa interaksi spasial dituliskan pada
persamaan (2.17).
a. Model Fixed Effects
Jika efek spesifik spasial diperlakukan sebagai fixed effects,
Model pada persamaan (2.17) dapat diestimasi dengan tiga
langkah. Efek spesifik spasial (µi) dieliminasi dari persamaan
regresi dengan melakukan demeaning pada variabel y dan x dengan
transformasi sebagai berikut :
* *
1 1
1 1 dan
T T
it it it it it it
t t
y y y x x xT T= =
= − = − (2.18)
17
Kedua, persamaan regresi di transformasi menjadi * *
it it ity x = +β sehingga dapat di estimasi dengan OLS diperoleh
ˆ * * -1 * *β = (X 'X ) X 'Y dan 2 ˆ ˆˆ / ( )NT N K − −* * * *= (Y - X β)'(Y -X β) .
Keuntungan utama dari prosedur demeaning adalah bahwa
perhitungan β melibatkan invers dari matriks (KxK) bukan
(K+N)x(K+N) seperti pada persamaan (2.17) yang akan
memperlambat perhitungan dan mengurangi keakuratan estimasi
jika N besar (Elhorst, 2013).
Cara lain untuk mengestimasi persamaan demeaning adalah
dengan Maximum Likelihood. Fungsi ln-likelihood dari variabel
demeaning dapat dituliskan seperti persamaan berikut :
( ) ( )2
2 * *
1 1
1
22
log 2 β2
N T
it iti t
NTLogL y x
= =
= − − − . (2.19)
Dengan estimator ML dari β adalah ˆ * * -1 * *β = (X 'X ) X 'Y dan
2 ˆ ˆˆ / NT * * * *= (Y - X β)'(Y -X β) . Dengan kata lain, terdapat
perbedaan antara estimator varians (2 ) ML dengan estimator
Least Square yaitu tidak terdapat koreksi terhadap derajat bebas.
Terakhir, spasial fixed effects dapat diperoleh dari persamaan
berikut :
1
1 ˆˆ ( )T
i it it
t
y xT
=
= − β dengan i=1,2,…,N. (2.20)
b. Model Random Effects
Untuk memperoleh estimasi Maximum Likelihood dari
model random effects dilakukan prosedur estimasi dua tahap yang
diusulkan oleh Breusch (Elhorst, 2013). Fungi ln-likelihood model
random effects dari persamaan (2.17) adalah :
( ) ( )222
1 1
1
22
log 2 log β2 2
N T
it iti t
NT NLogL y x
• •
= =
= − + − − (2.21)
18
Dimana, menunjukkan bobot yang terkait pada komponen
cross-section dari data, dengan 2 2 2 20 / ( ) 1T = + ,
dan simbol •menotasikan transformasi variabel pada .
1 1
1 1(1 ) dan (1 )
T T
it it it it it it
t t
y y y x x xT T
• •
= =
= − − = − − (2.22)
Jika 0 = , tranformasi ini dapat disederhanakan menjadi prosedur
demeaning dan model random effects akan sama dengan model
fixed effects. β dan σ2 dapat diestimasi dengan memaksimalkan
first order condition dari fungsi ln-likelihood pada persamaan
(2.21). Sehingga diperoleh ˆ • • • •-1β = (X 'X ) X 'Y dan
2 ˆ ˆˆ / NT • • • •= (Y - X β)'(Y -X β) . Selanjutnya, dapat diestimasi
dengan memaksimumkan fungsi concentrated ln-likelihood dari
, dengan mensubstitusikan β dan2 yang diperoleh dari hasil
memaksimumkan first order condition dari persamaan (2.21).
22' '
1 1 ' 1 ' 1
1 1log ( (1 ) [ (1 ) ]β) log
2 2
N T T T
it it it it
i t t t
NT NLogL y y x x
T T
= = = =
= − − − − − − + (2.23)
Penggunaan 2 bukannya untuk memastikan bahwa kedua
argument yaitu 2ln( ) dan
2 adalah positif (Elhorst, 2013).
2.7.2 Estimasi Model Spasial Data Panel
Model spasial data panel yang digunakan pada penelitian ini
yaitu SAR dan SEM. Berikut ini akan dibahas mengenau prosedur
estimasi MLE yang akan digunkan untuk melakukan estimasi
parameter pada model- model tersebut.
a. Fixed Effects Spatial Autoregressive Model
Estimator ML dari model fixed effects SAR dirumuskan
untuk memperhitungkan endogenitas dari j ij jtw y . Fungsi ln-
likelihood dari model persamaan (2.18) jika efek spasial
diasumsikan fixed adalah sebagai berikut :
( )2
2
1 1 1
1
22
log 2 log I W y β2
N T N
N it ij jt it ii t j
NTLogL T W y x
= = =
= − + − − − − −
(2.24)
19
Dimana log NT I W− merupakan Jacobian yang diperoleh dari
turunan ε terhadap y yang memperhitungkan endogenitas dari
j ij jtw y . Turunan parsial dari ln-likelihood terhadap µi adalah :
21 1
1( ) 0, 1,2,..
T N
it ij jt ij i
t ji
LogLy w y x i N
= =
= − − − = =
β (2.25)
Sehingga diperoleh estimasi,
1 1
1 ˆ ˆˆ ( ), 1,2,.. .T N
i it ij jt ij
t j
y w y x i NT
= =
= − − = β (2.26)
Mensubstitusikan µi pada fungsi ln-likelihood dari variabel
demeaning untuk mengestimasi 2, dan β . Estimasi untuk
dilakukan secara numerik karena solusi untuk tidak closed-
form. Estimator dari 2 dan β dihitung dengan menggunakan
hasil estimasi dari :
= − -1
Tβ (X'QX) X'Q[Y δ(I W)Y] (2.27)
Q merupakan demeaning operator dalam bentuk matriks sebagai
berikut: 1
.T
= − NT T T NQ I l l' I (2.28)
Estimasi 2 dihitung sebagai berikut:
).()'(1 *
1
*
0
*
1
*
0
2 eeeeNT
−−= (2.29)
b. Fixed Effect Spatial Error Model
Fungsi log-likelihood dari model spasial error jika efek
spesifik spasial diasumsikan tetap adalah sebagai berikut:
( )
2* *
2 * *
21 1 1 1
1log 2 log
2 2
N T N N
N it ij jt it ij jt
i t j j
NTLogL T y W y W y
= = = =
= − + − − − − −
I W x β
(2.30)
dengan adanya nilai , estimasi Maximum Likelihood dari β dan 2 dapat diselesaikan dengan turunan pertama kondisi maksimum,
maka diperoleh :
20
1ˆ ([ * ( ) ] '[ ( ) ]) ( ) ]'[ ( )
TW
T T
−= − − − −
I X* Y*β X W X* X * I X* I W X* Y* I W
T
2 ( ) ' ( )e e
NT
= (2.31)
dengan =)(e Y*- ( ITW)Y*- [X*- ( ITW)X*]β.
Berikut adalah fungsi concentrated log-likelihood dari :
log[ ( ) ' ( )] log2
N
NTLogL e e T = − + −I W (2.32)
Dengan memaksimalkan fungsi yang fokus kepada ,
mengasilkan estimasi Maximum Likelihood untuk dengan β dan 2 yang telah didapatkan. Prosedur secara iterative digunakan
dengan beberapa nilai parameter β dan 2 sehingga didapat
parameter yang konvergen.
1
1( ), 1,2,..,
T
i it ij
t
y x i NT
=
= − = β (2.33)
c. Random Effects Spatial Autoregressive Model
Fungsi log-likelihood dari model spasial lag jika efek spasial
diasumsikan random adalah:
( )222
logNT
LogL −= |IN - W|- 2
21 1 1
1( [ ] )
2
N T N
it ij jt ij
i t j
y w y x
• • •
= = =
− − β
(2.34)
dengan•menunjukkan transformasi variabel dependen terhadap
,log2
)]()'(log[2
2N
eeNT
LogL +−= (2.35)
dengan elemen ( )e didefinisikan sebagai berikut:
1 1 1 1
1 1 1( ) (1 ) [ (1 ) ] [ (1 ) ]
T N T T
it it ij jt ij jt ij it
t j t t
e y y w y w y x xT T T
= = = =
= − − − − − − − − β
(2.36)
Prosedur secara iterasi menggunakan beberapa nilai parameter 2ˆ, dan β hingga didapatkan nilai estimasi yang konvergen.
21
d. Random Effect Spatial Error Model
Fungi log-likelihood dari model spasial error jika efek
spesifik spasial diasumsikan random adalah sebagai berikut:
2
21
1 1log(2 ) log ( 1) log
2 2 2
N
i
NTLogL
=
= − − + − −V T B
1
2
1 1 1' ' ' ' ( )
2T T T T Te V e e
T T
− − −
l l I l l B'B e (2.37)
dengan1( ) , dan N NT −= + = −V I B'B B I W e = Y- Xβ .
Fungsi yang diperoleh dari hasil trasformasi adalah sebagai
berikut:
= = =
−−+−=N
j
N
j
T
t
jtijijjtijitit yT
wpywyy1 1 1
1)]1({[ (2.38)
Notasi ijij pp ),( = digunakan untuk menunjukkan elemen
matriks P yang tergantung pada dan . Estimasi 2ˆ dan β
dengan diberikan pada dan bisa dilakukan dengan regresi
OLS antara oY dengan o
X . o o oe = Y -βX diperoleh
o' o -1 o' oβ = (X X ) X Y dan 2ˆ '( ) / nT −o o o o
= (Y X β) Y X β . Namun estimasi
dan
dengan diberikan 2 dan β harus dilakukan secara
numerik.
2.8 Kriteria Kebaikan Model (Goodness of Fit)
Kriteria kebaikan model pada model panel spasial dapat
dilihat dari nilai koefisien determinasi (R2) dan corr2. Koefisien
determinasi (R2) adalah proporsi besarnya variasi data yang dapat
diberikan atau diterangkan oleh model. Perhitungan R2 untuk data
panel menggunakan persamaan berikut ini (Elhorst, 2013).
2 2' '( , ) 1 atau ( ) 1
( ) '( ) ( ) '( )R R
= − = −
− − − −
e e e ee Ω e
Y Y Y Y Y Y Y Y
. (2.39)
𝒆′ 𝒆 dapat diganti dengan residual sum of square dari
transformed residual 𝒆′��. Ukuran kebaikan model lainnya adalah
corr2 yaitu koefisien korelasi kuadrat antara variabel dependen
dengan variabel dependen taksiran.
22
22
ˆ[( ) '( )]ˆco ( , )ˆ ˆ[( ) '( )][( ) '( )]
rr Y Y− −
=− − − −
Y Y Y Y
Y Y Y Y Y Y Y Y. (2.40)
Ukuran kebaikan untuk model panel spasial yang berbeda
ditampilkan pada Tabel 2.1.
Tabel 2.1 Ukuran Kebaikan Model Untuk Model Panel Spasial
Fixed Effect SAR
R2(e, IN) ˆ ˆ ˆ( ) ( )T T N= − − − e Y I W Y Xβ τ I μ
Corr2 2 1ˆ ˆ( ,[ ( ] )NT TCorr −− * *Y I I W X β
Fixed Effect SEM
R2(��) ˆˆ ˆ ˆ( ) [ ( ) ] ( )T T T N = − − − − e Y I W Y X I W X β τ I μ
Corr2 Corr2( Y*, X*��)
Random Effect SAR
R2(��) ˆ ˆ( ) 'T • •= − −e Y I W Y X β
Corr2 2 1ˆ ˆ( ,[ ( ] )NT TCorr −− Y I I W Xβ
Random Effect SEM
R2(��) ˆ= −e Y X β
Corr2 Corr2( Y, X��)
2.9 Pengujian Asumsi Model
Asumsi penting yang digunakan dalam regresi linier adalah
tidak terdapatnya kasus multikolinearitas dan asumsi residual
IIDN(0,σ2) (Identik, Independen, Berdistribusi Normal). Pengujian
terhadap asumsi klasik adalah sebagai berikut :
a. Asumsi Residual Distribusi Normal
Asumsi persyaratan normalitas harus terpenuhi untuk
mengetahui apakah residual dari model yang didapatkan telah
berdistribusi normal. Cara pengujian normalitas salah satunya
dapat dilakukan dengan Kolmogorov-Smirnov normality test
dengan hipotesis yang digunakan adalah sebagai berikut :
H0 :0( ) ( )F x F x= untuk semua nilai x (residual mengikuti
distribusi normal)
23
H1 : 0( ) ( )F x F x untuk sekurang-kurangnya nilai x (residual tidak
mengikuti distribusi normal)
Statistik uji yang digunakan adalah D dengan D adalah :
)()(0 xSxFmaksD n−=
)(0 xF adalah fungsi distribusi kumulatif teoritis sedangkan
( ) /nS x i N= merupakan fungsi peluang kumulatif pengamatan
dari suatu sampel random, dengan i adalah pengamatan dan N
adalah jumlah pengamatan. Pengambilan keputusan adalah H0
ditolak jika )1( − qD dimana q adalah nilai tolak H0 berdasarkan
tabel Kolmogorov Smirnov (Daniel, 1989).
b. Multikolinearitas
Multikolinearitas merupakan situasi adanya korelasi antara
variabel-variabel independen, yang menggambarkan hubungan
antara variabel independen tersebut lebih tinggi dari hubungan
variabel independen terhadap variabel dependen. Diuji dengan
melihat nilai Variance Inflation Factor (VIF) kurang dari 10.
2
1; 1,2,...,
1j
j
VIF j KR
= =−
.
(2.42)
2
jR adalah nilai koefisien determinasi regresi auxiliary antara
variabel independen ke-j dengan variabel independen sisanya.
Apabila nilai VIF dari variabel independen lebih besar dari 10,
maka variabel tersebut dikatakan mengalami multikolinearitas
(Draper & Smith, 1998).
c. Homokedastisitas
Salah satu pengujian asumsi yang dipenuhi dalam model
regresi adalah varians dari masing-masing error iu memiliki nilai
yang konstan atau sama dengan 2 . Hal tersebut merupakan
asumsi homoskedastistias atau asumsi varians sama (Gujarati,
2004). Kesamaan varians inilah yang disebut dengan identik.
Apabila asumsi identik tidak terpenuhi maka akan menyebabkan
estimasi parameter yang tetap tak bias, konsisten, namun tidak
24
efisien (varians tidak minimum). Tidak terpenuhinya asumsi
identik disebut juga dengan kasus heteroskedastisitas. Cara
mendeteksi terjadinya heteroskedastisitas adalah secara visual dan
secara pengujian. Secara visual dapat dilakukan dengan melihat
plot antara residual dan estimasi respon ( y ). Jika sebaran dari plot
tidak berbentuk pola tertentu atau acak, maka asumsi identik
terpenuhi. Sebaliknya, jika sebaran dari plot membentuk suatu pola
tertentu, maka terindikasi terjadinya kasus heteroskedastisitas.
Secara pengujian, pendeteksian kasus heteroskedastisitas dapat
dilakukan menggunakan uji Glejser. Uji Glejser dilakukan dengan
mendapatkan nilai error atau residual i dari regresi OLS,
kemudian meregresikan nilai absolut dari i terhadap variabel
independennya. Apabila dari hasil regresi didapatkan hasil bahwa
semua estimasi parameter tidak signifikan terhadap nilai absolut
dari i , dapat dikatakan bahwa tidak terjadi heteroskedastisitas
pada varians error. Berikur merupakan pengujian dengan uji
Glejser.
i li ix u = +β
H0 : 2 2 2 2
1 2 ... N = = = =
H1 : minimal terdapat satu 22 i; i=1,2,…,N
Statistik uji yang digunakan adalah sebagai berikut.
2
1
2
1
ˆ[ ] /
ˆ[ ] / ( 1)
N
i
ihitung N
i i
i
K
F
N K
=
=
−
=
− − −
, (2.43)
jika Fhitung>Fα;(K,n-K-1) maka didapatkan keputusan tolak H0.
d. Autokorelasi Untuk melihat adanya autokorelasi antar residual dapat
dilakukan dengan cara melihat plot dari Autocorrelation Function
(ACF), dimana cara ini sering digunakan dalam analisis time
series. Apabila terdapat lag yang keluar dari batas-batas
signifikansi, dapat disimpulkan bahwa terjadi autokorelasi atau
25
residual tidak independen. Secara formal uji autokorelasi
dilakukan dengan menggunakan uji Durbin Watson (Draper &
Smith, 1998). Hipotesis dari uji Durbin Watson sebagai berikut:
H0 : 0= (tidak terjadi autokorelasi antar residual)
H1 : 0 (terjadi autokorelasi antar residual)
Statistik uji Durbin Watson adalah sebagai berikut:
2
1
2
2
1
( )N
i i
i
N
i
i
e e
d
e
−
=
=
−
=
. (2.44)
Kriteria yang digunakan dalam uji Durbin Watson ditampilkan
pada Tabel 2.2. Tabel 2.2 Uji Hipotesis Durbin Watson
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak Ldd 0
Tidak ada autokorelasi positif Tidak ada
keputusan UL ddd
Tidak ada autokorelasi negatif Tolak 44 − ddL
Tidak ada autokorelasi negatif Tidak ada
keputusan LU ddd −− 44
Tidak ada autokorelsi positif
maupun negatif
Gagal tolak UU ddd − 4
2.10 Produk Domestik Regional Bruto Atas Dasar Harga
Konstan
Produk Domestik Regional Bruto (PDRB) merupakan nilai
tambah bruto seluruh barang dan jasa yang tercipta atau dihasilkan
di wilayah domestik suatu negara yang timbul akibat berbagai
aktivitas ekonomi dalam suatu periode tertentu tanpa
memperhatikan apakah faktor produksi yang dimiliki residen atau
non-residen. Penyusunan PDRB dapat dilakukan melalui 3 (tiga)
pendekatan yaitu pendekatan produksi, pendekatan pengeluaran,
dan pendapatan yang disajikan atas dasar harga berlaku dan harga
konstan (riil). PDRB atas dasar harga berlaku atau dikenal dengan
PDRB nominal disusun berdasarkan harga yang berlaku pada
26
periode penghitungan, dan bertujuan untuk melihat struktur
perekonomian. Sedangkan PDRB atas dasar harga konstan (riil)
disusun berdasarkan harga pada tahun dasar dan bertujuan untuk
mengukur pertumbuhan ekonomi. Penghitungan angka-angka
PDRB ada tiga pendekatan yang dapat digunakan, yaitu:
a. Pendekatan Produksi
PDRB adalah jumlah nilai tambah atas dasar harga dasar atas
barang dan jasa yang dihasilkan oleh berbagai unit produksi di
wilayah suatu wilayah dalam jangka waktu tertentu (biasanya satu
tahun) ditambah pajak atas produk neto (pajak kurang subisidi atas
produk). Unit-unit produksi tersebut dalam penyajian ini
dikelompokkan menjadi 17 kategori lapangan usaha. Setiap
kategori tersebut dirinci lagi menjadi subkategori.
b. Pendekatan Pendapatan
PDRB merupakan jumlah balas jasa yang diterima oleh
faktor-faktor produksi yang ikut serta dalam proses produksi di
suatu wilayah dalam jangka waktu tertentu (biasanya satu tahun).
Balas jasa faktor produksi yang dimaksud adalah upah dan gaji,
sewa tanah, bunga modal dan keuntungan; semuanya sebelum
dipotong pajak penghasilan dan pajak langsung lainnya. Dalam
definisi, PDRB mencakup juga penyusutan dan pajak tidak
langsung neto.
c. Pendekatan Pengeluaran
PDRB adalah semua komponen permintaan akhir yang
terdiri dari : (1) Pengeluaran Konsumsi Rumah Tangga, (2)
Pengeluaran Konsumsi Lembaga Non Profit Rumah
Tangga/LNPRT, (3) Pengeluaran Konsumsi Pemerintah, (4)
Pembentukan Modal Tetap Domestik Bruto, (5) Perubahan
Inventori, dan (6) Ekspor Neto (ekspor dikurangi impor). Secara
konsep ketiga pendekatan tersebut akan menghasilkan angka yang
sama. Jadi, jumlah pengeluaran akan sama dengan jumlah barang
dan jasa akhir yang dihasilkan dan harus sama pula dengan jumlah
pendapatan untuk faktor-faktor produksi. PDRB yang dihasilkan
dengan cara ini disebut sebagai PDRB atas dasar harga pasar.
27
PDRB maupun agregat turunannya disajikan dalam 2 (dua)
versi penilaian, yaitu atas dasar harga berlaku dan atas dasar harga
konstan. Disebut sebagai harga berlaku karena seluruh agregat
dinilai dengan menggunakan harga pada tahun berjalan, sedangkan
harga konstan penilaiannya didasarkan kepada harga satu tahun
dasar tertentu. Dalam publikasi ini digunakan harga tahun 2010
sebagai dasar penilaian. PDRB salah satu indikator makro yang
dapat menunjukkan kondisi perekonomian nasional setiap tahun.
Manfaat yang dapat diperoleh dari data ini antara lain adalah:
1. PDRB harga berlaku (nominal) menunjukkan kemampuan
sumber daya ekonomi yang dihasilkan oleh suatu wilayah.
Nilai PDRB yang besar menunjukkan kemampuan sumber
daya ekonomi yang besar, begitu juga sebaliknya.
2. PDRB harga konstan (riil) dapat digunakan untuk
menunjukkan laju pertumbuhan ekonomi secara
keseluruhan atau setiap kategori dari tahun ke tahun.
3. Distribusi PDRB harga berlaku menurut lapangan usaha
menunjukkan struktur perekonomian atau peranan setiap
kategori ekonomi dalam suatu wilayah. Kategori-kategori
ekonomi yang mempunyai peran besar menunjukkan basis
perekonomian suatu wilayah.
4. PDRB per kapita atas dasar harga berlaku menunjukkan nilai
PDB dan PNB per satu orang penduduk.
5. PDRB per kapita atas dasar harga konstan berguna untuk
mengetahui pertumbuhan nyata ekonomi perkapita
penduduk suatu negara (BPS Jatim, 2016).
2.11 Teori Pertumbuhan Neo-Klasik
Teori pertumbuhan neo-klasik dimotori oleh Harrod-Domar
dan Robert Solow. Harrod-Domar berpendapat bahwa modal harus
dipakai secara efektif, karena pertumbuhan ekonomi sangat
dipengaruhi oleh peranan pembentukan modal. Robert Solow
berpendapat bahwa pertumbuhan ekonomi merupakan rangkaian
kegiatan yang bersumber pada manusia, akumulasi modal,
pemakaian teknologi modern dan hasil atau output. Model
pertumbuhan Solow inilah yang sangat memberikan kontribusi
28
terhadap teori pertumbuhan neo-klasik. Pada intinya model ini
merupakan pengembangan dari model pertumbuhan Harrod-
Domar dengan menambahkan faktor tenaga kerja dan teknologi
kedalam persamaan pertumbuhan. Dalam model pertumbuhan
Solow, input tenaga kerja dan modal memakai asumsi skala yang
terus berkurang (diminishing returns) jika keduanya dianalisis
secara terpisah, sedangkan jika keduanya dianalisis secara
bersamaan memakai asumsi skala hasil tetap (constant returns to
scale) (Todaro dan Smith, 2006). Kunci bagi model pertumbuhan
neo-klasik adalah agregat fungsi produksi. Dalam perekonomian
yang tidak ada pertumbuhan teknologi, pendapatan dapat
ditentukan dari besarnya modal dan tenaga kerja. Berdasarkan
variabel dalam fungsi produksi pada penelitian ini, model
pertumbuhan yang digunakan adalah model pertumbuhan tanpa
perkembangan teknologi. Fungsi produksi secara umum dituliskan
sebagai berikut :
( , )t t tY f K L= . (2.45)
Bentuk spesifik dari hubungan ini dikenal sebagai fungsi produksi
Cobb-Douglas. Fungsi produksi Cobb-Douglas dapat dituliskan
sebagai berikut :
t t tY AK L = , (2.46)
dengan Y adalah pendapatan riil, A adalah konstanta, K adalah stok
modal, L adalah tenaga kerja, t merupakan subscript untuk waktu,
α dan β adalah elastisitas output terhadap modal dan tenaga kerja.
Pendapatan akan meningkat bila setiap tenaga kerja mendapat
modal peralatan yang lebih banyak dan proses ini disebut capital
deepening. Tetapi tidak dapat terus-menerus meningkat tanpa
adanya pertumbuhan teknologi karena modal (seperti juga tenaga
kerja) akhirnya akan meningkat dengan pertumbuhan yang
semakin berkurang (diminishing return) (Prasetyo, 2010).
2.12 Penelitian Sebelumnya
Penelitian sebelumnya yang memodelkan PDRB dengan
data panel adalah penelitian oleh Damayanti pada tahun 2008 yang
menyatakan bahwa penerimaan sektor publik memiliki pengaruh
29
yang positif dan signifikan terhadap PDRB dengan metode Fixed
Effect. Penelitian lain oleh Fitriana pada tahun 2011 dengan
pendekatan ekonometrika panel spasial menyatakan bahwa faktor
pendukung sektor pertanian adalah tenaga kerja sektor pertanian,
belanja modal, dan belanja barang jasa. Faktor pendukung sektor
industri adalah tenaga kerja sektor industri, belanja modal, belanja
barang jasa, dan belanja pegawai. Faktor pendukung sektor
perdagangan, hotel restoran adalah tenaga kerja sektor
Perdagangan, Hotel dan Restoran (PHR), belanja modal, dan
belanja pegawai. Penelitian oleh Prasetyo dan Firdaus pada tahun
2009 menyatakan bahwa kegiatan perekonomian di Indonesia
masih bersifat padat karya sehingga kebijakan-kebijakan yang
bersifat meningkatkan lapangan pekerjaan untuk menyerap tenaga
kerja akan lebih efektif dalam peningkatan pertumbuhan ekonomi,
serta infrastruktur baik listrik, jalan maupun air bersih mempunyai
pengaruh yang positif terhadap perekonomian dengan metode
regresi panel. Penelitian lain oleh Prasetyo pada tahun 2010
menyimpulkan bahwa infrastruktur yang penting dalam
peningkatan kinerja ekonomi regional adalah listrik, selain itu
aglomerasi industri yang diwakili indeks spesialisasi industri
manufaktur mempunyai dampak positif terhadap pertumbuhan
ekonomi regional. Penelitian tentang pemodelan PDRB di
Kalimantan Barat oleh Kusnandar, Pratama dan Rizki dengan
pendekatan ekonometrika panel spasial pada tahun 2018
menyatakan bahwa elastisitas penanaman modal dalam negeri,
ekspor dan konsumsi pemerintah berdampak pada peningkatkan
PDRB.
30
(Halaman ini sengaja dikosongkan)
31
BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Data yang digunakan pada penelitian ini adalah data
sekunder yang diambil dari Kantor Perwakilan Bank Indonesia
Provinsi Jawa Timur, Badan Pusat Statistik Provinsi Jawa Timur
dan PT. PLN (Persero) Distribusi Jawa Timur. Data yang
digunakan diperoleh dari sumber sebagai berikut :
1. Statistik Ekonomi Keuangan Daerah (SEKDA) Jawa Timur
oleh Bank Indonesia dengan judul tabel “Posisi Pinjaman
Untuk Lapangan Usaha dalam Bentuk Rupiah dan Valuta
Asing yang Diberikan Oleh Bank Umum dan BPR Per Dati
II Menurut Sektor Ekonomi Berdasarkan Lokasi Proyek di
Jawa Timur (Juta Rupiah)”.
2. Data Produk Domestik Regional Bruto (PDRB) atas dasar
harga konstan, variabel pemerintahan dan ketenagakerjaan
menurut kabupaten/kota di Provinsi Jawa Timur oleh Badan
Pusat Statistik Provinsi Jawa Timur.
3. Data rasio elektrifikasi di setiap kabupaten/kota Provinsi
Jawa Timur oleh PT. PLN (Persero) – Distribusi Jawa
Timur.
Terdapat 38 kabupaten/kota di Provinsi Jawa Timur sebagai
unit penelitian yang disajikan pada Tabel 3.1 Tabel 3.1 Daftar Kabupaten/Kota di Provinsi Jawa Timur
No Kabupaten/Kota No Kabupaten/Kota
1 Kab. Pacitan 10 Kab. Madiun
2 Kab. Ponorogo 11 Kab. Magetan
3 Kab. Trenggalek 12 Kab. Ngawi
4 Kab. Tulungagung 13 Kab. Bojonegoro
5 Kab. Lumajang 14 Kab. Tuban
6 Kab. Bondowoso 15 Kab. Lamongan
7 Kab. Pasuruan 16 Kab. Bangkalan
8 Kab. Jombang 17 Kab. Pamekasan
9 Kab. Nganjuk 18 Kota Kediri
32
Tabel 3.1 Daftar Kabupaten/Kota di Provinsi Jawa Timur (Lanjutan)
No Kabupaten/Kota No Kabupaten/Kota
19 Kota Blitar 29 Kab. Mojokerto
20 Kota Malang 30 Kab. Banyuwangi
21 Kota Probolinggo 31 Kab. Gresik
22 Kota Pasuruan 32 Kab. Jember
23 Kota Mojokerto 33 Kab. Malang
24 Kota Madiun 34 Kab. Probolinggo
25 Kota Surabaya 35 Kab. Sampang
26 Kota Batu 36 Kab. Sidoarjo
27 Kab. Blitar 37 Kab. Situbondo
28 Kab. Kediri 38 Kab. Sumenep
3.2 Variabel Penelitian
Respon dan prediktor yang digunakan dalam penelitian ini
ditampilkan pada Tabel 3.2
Tabel 3.2 Variabel Penelitian
Variabel Keterangan Satuan
y
(Respon)
PDRB atas dasar harga konstan di setiap
kabupaten/kota Provinsi Jawa Timur tahun
2010-2016
Triliun
Rupiah
x1 Pinjaman yang diberikan pada sektor
pertanian, peternakan, kehutanan dan
perikanan tahun 2010-2016
Juta
Rupiah
x2 Pinjaman yang diberikan pada sektor
industri pengolahan tahun 2010-2016
Juta
Rupiah
x3 Pinjaman yang diberikan pada sektor
perdagangan, hotel dan restoran tahun
2010-2016
Juta
Rupiah
x4 Realisasi belanja daerah di setiap
kabupaten/kota di Provinsi Jawa Timur
tahun 2010-2016
Juta
Rupiah
x5 Jumlah penduduk usia 15 tahun keatas yang
bekerja di setiap kabupaten/kota di Provinsi
Jawa Timur tahun 2010-2016
Jiwa
x6 Rata-Rata Lama Sekolah di setiap
kabupaten/kota di Provinsi Jawa Timur
tahun 2010-2016
Tahun
33
Tabel 3.2 Variabel Penelitian (Lanjutan)
Variabel Keterangan Satuan
x7 Rasio elektrifikasi di setiap kabupaten/kota
di Provinsi Jawa Timur tahun 2010-2016
Persen
Struktur dari data yang digunakan dalam penelitian Tugas
Akhir ini ditunjukkan pada Tabel 3.3. Tabel 3.3 Struktur Data
Tahun
ke-t
Kabupaten/Kota
ke-i
y1it x1it x2it … x7,it
1 (2010) 1 y 1,1 1 x1,1 1 x2,1 1 … x7,1 1
…
1 (2010) 38 y 1,38 1 x1,38 1 x2,38 1 … x7,38 1
2 (2011) 1 y1,1 2 x1,1 2 x2,1 2 … x7,1 2
…
2 (2011) 38 y1,38 2 x1,38 2 x2,38 2 … x7,38 2
…
…
7 (2016) 1 y1,1 7 x1,1 7 x2,1 7 … x7,1 7
…
7 (2016) 38 y1,38 7 x1,38 7 x2,38 7 … x7,38 7
3.3. Definisi Operasional
Pada subbab ini akan disajikan uraian mengenai variabel
penelitian yang dikutip dari Badan Pusat Statistik dan Bank
Indonesia.
3.3.1 Pinjaman Yang Diberikan
Pinjaman yang diberikan adalah semua penyediaan uang
atau tagihan yang dapat dipersamakan dengan itu dalam rupiah dan
valuta asing, berdasarkan persetujuan atau kesepakatan pinjam
meminjam antara bank dengan sektor swasta domestik (termasuk
piutang/pembiayaan berdasarkan prinsip Syariah) yang hanya
mencakup pinjaman bank umum dan BPR yang beroperasi di
wilayah Indonesia. Tidak termasuk dalam pengertian pinjaman ini
adalah pinjaman kepada Pemerintah Pusat, pinjaman kepada bukan
34
penduduk, pinjaman kelolaan, pinjaman dalam rangka penerusan
kredit dari Bank Indonesia, nilai lawan valuta asing, pinjaman
investasi dalam rangka bantuan proyek, bantuan proyek, pinjaman
kelolaan di luar bantuan proyek dan biaya lokal rekening dana
investasi (Bank Indonesia, 2017). Pinjaman berdasarkan lapangan
usaha terdiri dari :
1. Sektor pertanian, peternakan, kehutanan dan perikanan
2. Sektor pertambangan dan penggalian
3. Sektor industri pengolahan
4. Sektor listrik, gas dan air bersih
5. Sektor konstruksi
6. Sektor perdagangan, hotel dan restoran
7. Sektor pengangkutan dan komunikasi
8. Sektor keuangan, real estate dan jasa perusahaan
9. Sektor jasa-jasa
a. Metode Perhitungan
LBUS (Laporan Bank Umum Syariah) dan LBPRS
(Laporan Bank Perkreditan Rakyat Syariah) terlebih dahulu
dikonversi menjadi LBU dan LBPR konvensional untuk
selanjutnya dikonsolidasikan dengan LBU konvensional dan
LBPR. Hasil konsolidasi LBU dan LBPR yang diproses lebih
lanjut menjadi data pinjaman yang diberikan Bank Umum dan
BPR. Dalam melakukan kompilasi data, apabila sampai batas
waktu penyampaian online terdapat bank pelapor yang belum
menyampaikan laporan LBU, LBUS, LBPR dan LBPRS, maka
dilakukan proses substitusi dengan menggunakan data bulan
sebelumnya (Bank Indonesia, 2017).
b. Metode Pencatatan
Metode pencatatan yang digunakan adalah mengikuti
Pernyataan Standar Akuntansi Keuangan (PSAK) Perbankan dan
Pedoman Akuntansi Perbankan Indonesia (PAPI). Perhitungan
konversi rekening valuta asing menggunakan kurs tengah BI.
Angka pinjaman yang diberikan khususnya berasal dari Bank
Umum konvensional disajikan berdasarkan jumlah menurut biaya
perolehan atau biaya perolehan diamortisasi atau nilai wajar. Biaya
35
perolehan adalah jumlah kas atau setara kas yang dibayarkan
(diterima) atau nilai wajar dari imbalan yang diserahkan (diterima)
untuk memperoleh suatu aset pada saat perolehan. Biaya perolehan
diamortisasi adalah jumlah aset keuangan atau kewajiban
keuangan yang diukur pada saat pengakuan awal dikurangi
pembayaran pokok, ditambah atau dikurangi amortisasi kumulatif
menggunakan metode suku bunga efektif yang dihitung dari selisih
antara awal dan nilai jatuh temponya. Nilai wajar adalah nilai
dimana suatu aset dapat dipertukarkan atau suatu kewajiban
diselesaikan antara pihak yang memahami dan berkeinginan untuk
melakukan transaksi wajar (arm’s length transaction) (Bank
Indonesia, 2017).
Penelitian oleh Agung pada tahun 2017 menyatakan bahwa
kredit perbankan memiliki pengaruh positif terhadap pertumbuhan
ekonomi di Indonesia dengan metode Regresi Panel. Penelitian lain
oleh Alatan dan Basana pada tahun 2015 menyatakan bahwa
pertumbuhan kredit sektor pertanian, industri pengolahan dan
konstruksi berpengaruh secara signifikan terhadap pertumbuhan
ekonomi Provinsi Jawa Timur.
3.3.2 Belanja Daerah
Belanja daerah terdiri dari belanja langsung dan belanja
tidak langsung. Belanja tidak langsung terdiri dari belanja pegawai,
belanja bunga, belanja subsidi, belanja hibah, belanja bantuan
sosial, belanja bagi hasil, belanja bantuan keuangan dan
pengeluaran tidak terduga, yang dianggarkan tidak terkait langsung
dengan pelaksanaan program dan kegiatan. Belanja langsung
terdiri dari belanja pegawai, belanja barang dan jasa, serta belanja
modal yang dianggarkan terkait secara langsung dengan
pelaksanaan program dan kegiatan. (BPS, 2014). Penelitian oleh
Fitriana pada tahun 2011 dengan pendekatan ekonometrika panel
spasial menyatakan bahwa faktor pendukung sektor pertanian
adalah tenaga kerja sektor pertanian, belanja modal, dan belanja
barang jasa. Faktor pendukung sektor industri adalah tenaga kerja
sektor industri, belanja modal, belanja barang jasa, dan belanja
pegawai. Faktor pendukung sektor perdagangan, hotel restoran
36
adalah tenaga kerja sektor Perdagangan, Hotel dan Restoran
(PHR), belanja modal, dan belanja pegawai.
3.3.3 Jumlah Penduduk Usia 15 Tahun Keatas yang Bekerja
Penduduk usia 15 tahun keatas merupakan penduduk usia
kerja. Penduduk yang sudah memasuki usia kerja adalah berusia
minimal 15 tahun sampai 65 tahun (BPS, 2018). Jumlah penduduk
usia 15 tahun keatas yang bekerja merupakan indikator kuantitas
tenaga kerja yang menjadi input terhadap produksi agregat
(PDRB). Penelitian oleh Prasetyo dan Firdaus pada tahun 2009
menyatakan bahwa kegiatan perekonomian di Indonesia masih
bersifat padat karya sehingga kebijakan-kebijakan yang bersifat
meningkatkan lapangan pekerjaan untuk menyerap tenaga kerja
akan lebih efektif dalam peningkatan pertumbuhan ekonomi.
3.3.4 Rata-Rata Lama Sekolah
Rata-rata Lama Sekolah (RLS)/ Mean Years School (MYS)
didefinisikan sebagai jumlah tahun yang digunakan oleh penduduk
dalam menjalani pendidikan formal (BPS, 2018). RLS dapat
digunakan untuk mengetahui kualitas pedididikan masyarakat
(tenaga kerja) dalam suatu wilayah yang menjadi input terhadap
produksi agregat (PDRB). Perhitungan RLS adalah sebagai
berikut: 15
115
1(Lama sekolah penduduk ke-i)
P
i
RLSP
+
=+
= , (3.1)
dengan :
P15+ adalah jumlah penduduk usia 15 tahun ke atas
Lama sekolah penduduk ke-i :
a. Tidak pernah sekolah = 0
b. Masih sekolah di SD sampai dengan S1 = konversi ijazah
terakhir + kelas terakhir – 1
c. Masih sekolah di S2/S3 = konversi ijazah terakhir + 1
d. Tidak bersekolah lagi dan tamat di kelas terakhir = konversi
ijazah terakhir
37
e. Tidak bersekolah lagi dan tidak tamat di kelas terakhir =
konversi ijazah terakhir + kelas terakhir – 1
3.3.5 Rasio Elektrifikasi
Infrastruktur dijadikan sebagai fasilitas-fasilitas fisik yang
dikembangkan atau dibutuhkan oleh agen-agen publik untuk
fungsi-fungsi pemerintahan, salah satunya adalah dalam
penyediaan air dan tenaga listrik (Kodoatie, 2003). The World
Bank membagi infrastruktur kedalam 3 kategori. Penyediaan
tenaga listrik termasuk kedalam infrastruktur ekonomi atau
merupakan infrastruktur fisik yang diperlukan untuk menunjang
aktivitas ekonomi. Rasio elektrifikasi merupakan indikator
infrastruktur yang menjadi input terhadap produksi agregat
(PDRB). Perhitungan rasio elektrifikasi sendiri menurut PT. PLN
(Persero) adalah sebagai berikut :
Jumlah pelanggan berlistrikRasio elektrifikasi 100%
Jumlah rumah tanggax= . (3.2)
Penelitian oleh Prasetyo dan Firdaus pada tahun 2009 menyatakan
bahwa infrastruktur listrik mempunyai pengaruh yang positif
terhadap perekonomian di Indonesia dengan metode regresi panel.
Penelitian lain oleh Prasetyo pada tahun 2010 menyimpulkan
bahwa infrastruktur yang sangat penting dalam peningkatan
kinerja ekonomi regional adalah listrik.
3.4 Langkah Analisis
Terdapat 2 tujuan yang ingin dicapai dalam penelitian ini.
Langkah analisis untuk mencapai tujuan penelitian adalah sebagai
berikut :
1. Mendeskripsikan pola dari masing–masing variabel secara
deskriptif dengan statistika deskriptif dan peta tematik.
2. Tujuan yang kedua adalah mendapatkan estimasi model
variabel-variabel yang berpengaruh terhadap PDRB atas
dasar harga konstan di setiap kabupaten/kota Provinsi Jawa
Timur dengan metode panel spasial. Langkah pertama
adalah mendeskripsikan sebaran atau asosiasi spasial dari
kabupaten/kota di Provinsi Jawa Timur, dimana variabel
38
respon yang digunakan adalah PDRB maka dilakukan
langkah sebagai berikut:
a. Menyiapkan set data panel dan matrik bobot spasial W,
bobot yang digunakan adalah Queen’s contiguity dan
Customize
b. Menghitung autokorelasi spasial dan menguji dependensi
spasial statistik Moran’s I setiap tahun pada data PDRB
di kabupaten/kota di Provinsi Jawa Timur pada tahun
2010-2016 seperti persamaan dalam Sub Bab 2.3.3 pada
Bab II.
c. Membuat Moran’s scatterplot dari data PDRB di
kabupaten/kota di Provinsi Jawa Timur pada tahun 2010-
2016 seperti dalam Sub Bab 2.3.4 pada Bab II.
d. Menginterpretasi hasil dari Moran’s scatterplot untuk
mendeskripsikan sebaran atau asosiasi spasial.
Analisis selanjutnya adalah memperoleh estimasi model
variabel-variabel yang berpengaruh terhadap PDRB di setiap
kabupaten/kota Provinsi Jawa Timur dengan menggunakan model
ekonometrika panel spasial (SAR panel dan SEM panel ) dengan
langkah-langkah sebagai berikut :
a. Melakukan uji dependensi spasial dengan menggunakan
uji Lagrange Multiplier (LM) dan robust LM untuk lag dan
error seperti persamaan dalam Sub Bab 2.4 pada Bab II,
dengan ketentuan:
o Apabila uji LM lag signifikan, maka model yang
sesuai adalah SAR panel
o Apabila uji LM error signifikan, maka model yang sesuai
adalah SEM panel
b. Memodelkan efek panel pooled, fixed effects dan random
effects untuk setiap model spasial (SAR panel dan SEM
panel) seperti persamaan dalam Sub Bab 2.6 pada Bab II.
c. Melakukan pemilihan model terbaik dengan kriteria R²,
Corr2, σ 2 dan variabel yang paling banyak signifikan seperti
persamaan dalam Sub Bab 2.8 pada Bab II
39
d. Pengujian asusmsi residual Identik, Independen dan
Distribusi Normal (IIDN) serta pendeteksian
multikolinearitas.
e. Melakukan intepretasi model.
Langkah analisis dari penelitian ini ditampilkan pada
diagram alir pada Gambar 3.1.
Tidak
Ya
Membentuk Moran’s scatterplot
Mendeteksi Multikolinearitas
Menguji spatial dependency (LM Test dan
Robust LM Test)
Membandingkan
nilai I dengan I0
A
Menyiapkan data dan matriks pembobot
spasial
Menguji
Moran’s I
Mendeskripsikan data dengan statistika
deskriptif dan peta tematik
Menghitung nilai Moran’s I
40
Gambar 3.1 Diagram Alir (Lanjutan)
3.5 Spesifikasi Model
Variabel-variabel yang digunakan dalam pemodelan
Produk Domestik Regional Bruto (PDRB) di Provinsi Jawa Timur
Gambar 3.1 Diagram Alir
Estimasi parameter model SAR dan SEM
Estimasi model regresi
data panel
Model LM Test
Spasial Lag (SAR)
Model LM Test
Spasial Error (SEM)
Pemilihan model terbaik dengan membandingkan
Model pooled, Fixed Effect dan Random Effect
Uji Asumsi Klasik
Interpretasi Model
Model Spasial
Lag (SAR)
Model Spasial
Error (SEM)
Bukan model SAR dan
SEM
A
41
disubstitusikan kedalam fungsi Produksi Cobb-Douglas pada
persamaan (2.46), sehingga terbentuk persamaan 3.3.
3 5 6 71 2 4
1 2 3 4 5 6 7it
it it it it it it it ity x x x x x x x e = . (3.3)
Model pada persamaan (3.3) akan didekati dengan pendekatan
natural logarithm (ln) dari variabel-variabel yang akan digunakan
dalam model untuk menjadikan model tersebut linier, sehingga
persamaan (3.3) dituliskan menjadi persamaan (3.4).
0 1 1 2 2 3 3 4 4 5 5 6 6 7 7ln ln ln ln ln ln ln ln ,it it it it it it it it ity x x x x x x x = + + + + + + + +
(3.4)
Dimana 0 ln = . Model yang akan dibangun dalam penelitian ini
terdiri dari 2 model spasial yaitu SAR dan SEM. Setiap model
spasial tersebut akan dimodelkan dengan menggunakan model
panel fixed effects dan random effects. Spesifikasi model yang akan
dibangun adalah sebagai berikut :
1. SAR panel
a. SAR pooling 38
0 1 1 2 2 3 3 4 4 5 5 6 6 7 7
1
ln ln ln ln ln ln ln ln lnit ij jt it it it it it it it it
j
y w y x x x x x x x =
= + + + + + + + + +
b. SAR fixed effects 38
1 1 2 2 3 3 4 4 5 5 6 6 7 7
1
ln ln ln ln ln ln ln ln lnit ij jt it it it it it it it i it
j
y w y x x x x x x x =
= + + + + + + + + +
dimana efek spesifik spasial (i ) diasumsikan fixed
c. SAR random effects 38
1 1 2 2 3 3 4 4 5 5 6 6 7 7
1
ln ln ln ln ln ln ln ln lnit ij jt it it it it it it it i it
j
y w y x x x x x x x =
= + + + + + + + + +
dimana efek spesifik spasial (i ) diasumsikan random
dengan i =1,2,…,38 dan t = 1,2,…,7
2. SEM panel
a. SEM pooling
42
0 1 1 2 2 3 3 4 4 5 5 6 6 7 7
38
1
ln ln ln ln ln ln ln ln
dengan
it it it it it it it it it
it ij jt it
j
y x x x x x x x u
u w u
=
= + + + + + + + +
= +
b. SEM fixed effects 1 1 2 2 3 3 4 4 5 5 6 6 7 7
38
1
ln ln ln ln ln ln ln ln
dengan
it it it it it it it it i it
it ij jt it
j
y x x x x x x x u
u w u
=
= + + + + + + + +
= +
dimana efek spesifik spasial (i ) diasumsikan fixed
c. SEM random effects 1 1 2 2 3 3 4 4 5 5 6 6 7 7
38
1
ln ln ln ln ln ln ln ln
dengan
it it it it it it it it i it
it ij jt it
j
y x x x x x x x u
u w u
=
= + + + + + + + +
= +
dimana efek spesifik spasial (i ) diasumsikan random
43
BAB IV
ANALISIS DAN PEMBAHASAN
Pada bab ini akan disajikan analisis karakteristik PDRB di
setiap kabupaten/kota di Provinsi Jawa Timur pada tahun 2010-
2016 beserta variabel-variabel yang diduga berpengaruh terhadap
PDRB dengan peta tematik, Moran’s I dan Moran’s scatterplot
kemudian memodelkannya menggunakan pendekatan regresi panel
spasial.
4.1 Karakteristik PDRB Provinsi Jawa Timur dan Variabel
yang Mempengaruhi
Pembahasan mengenai karakteristik PDRB di Provinsi Jawa
Timur beserta variabel-variabel yang diduga berpengaruh terhadap
PDRB diawali dengan menganalisis pola peningkatan maupun
penurunannya setiap tahun selama tahun 2010-2016. Timeseries
plot dari variabel PDRB di Provinsi Jawa Timur dan variabel yang
diduga berpengaruh terhadapnya disajikan pada Gambar 4.1.
1400000
1200000
1000000
2016
2015
2014
2013
2012
2011
2010
160000000
120000000
80000000
1500000000
1000000000
500000000
1500000000
1000000000
500000000
80000
60000
40000
2016
2015
2014
2013
2012
2011
2010
19500000
19000000
18500000
2016
2015
2014
2013
2012
2011
2010
7.2
7.0
6.8
90
80
70
PDRB Pinjaman sektor 1 Pinjaman sektor 2
Pinjaman sektor 3 Realisasi belanja daerah Jumlah penduduk bekerja
RLS Rasio elektrifikasi
Gambar 4.1. Timeseries Plot (a) PDRB (b) Pinjaman Sektor Pertanian
(c) Pinjaman Sektor Industri (d) Pinjaman Sektor Perdagangan (e) Realisasi
Belanja Daerah (f) Jumlah Penduduk Bekerja (g) Rata-Rata Lama Sekolah
(h) Rasio Elektrifikasi Jawa Timur
(a) (b) (c)
(d) (e) (f)
(g) (h)
44
Gambar 4.1 (a) menunjukkan bahwa PDRB di Provinsi Jawa
Timur terus mengalami peningkatan selama tahun 2010-2016,
peningkatan PDRB di Provinsi Jawa Timur ini diikuti oleh
peningkatan dari variabel pinjaman yang diberikan pada sektor
PHR (Perdagangan, Hotel dan Restoran) pada Gambar (d),
realisasi belanja daerah pada Gambar (e), RLS (Rata-Rata Lama
Sekolah) pada Gambar (g) dan rasio elektrifikasi pada Gambar (h).
Pinjaman yang diberikan pada sektor pertanian, peternakan,
kehutanan dan perikanan serta sektor industri pengolahan pada
Gambar (b) dan (c) juga meningkat secara umum, pinjaman pada
sektor pertanian hanya terdapat penurunan pada tahun 2015,
sedangkan pinjaman pada sektor industri pengolahan hanya
menurun pada tahun 2016. Variabel penduduk usia 15 tahun keatas
yang bekerja pada Gambar (f) mengalami fluktuasi setiap tahun,
peningkatan variabel penduduk yang bekerja yang diikuti
peningkatan PDRB terjadi selama tahun 2011-2013.
4.1.1 Karakteristik PDRB Provinsi Jawa Timur Menurut
Kabupaten/Kota dan Penentuan Matriks Pembobot
Customize
Analisis selanjutnya adalah mendeskripsikan pola
persebaran Produk Domestik Regional Bruto (PDRB) di Provinsi
Jawa Timur menurut kabupaten/kota selama tahun 2010-2016
dengan peta tematik. Peta tematik yang menggambarkan
karakteristik PDRB Jawa Timur disajikan pada Gambar 4.2.
Gambar 4.2 Peta Tematik PDRB Jawa Timur Tahun (a) 2010 (b) 2011
(a) (b)
45
Gambar 4.2 Peta Tematik PDRB Jawa Timur Tahun (b) 2011 (c) 2012
(d) 2013 (e) 2014 (f) 2015 (g) 2016 (Lanjutan)
Gambar 4.2 (a) hingga (g) menginformasikan bahwa pola
persebaran PDRB di setiap kabupaten/kota di provinsi Jawa Timur
memiliki pola yang sama setiap tahunnya selama tahun 2010-2016,
akan tetapi nilai PDRBnya terus meningkat. Kota Surabaya
memberikan kontribusi terbesar pada peningkatan PDRB di Jawa
Timur, PDRB di Kota Surabaya ini juga terus mengalami
peningkatan yang semula sebesar 231,2 triliun rupiah pada tahun
2010 menjadi sebesar 343,05 triliun rupiah pada tahun 2016. Selain
Kota Surabaya, kabupaten dan kota yang memberikan kontribusi
terbesar pada peningkatan PDRB adalah Kabupaten Sidoarjo,
Kabupaten Pasuruan, Kabupaten Gresik dan Kota Kediri yang
(c) (d)
(e) (f)
(g)
46
mana kelima wilayah tersebut merupakan sentra industri di Jawa
Timur. Enam kawasan industri terbesar di Provinsi Jawa Timur
adalah PT. Surabaya Industrial Estate Rungkut (SIER) di Kota
Surabaya, PT. Pasuruan Industrial Estate Rembang (PIER) dan
Ngoro Industri Persada (NIP) di Kabupaten Pasuruan, Kawasan
Industri Gresik (KIG) dan PT. Maspion Industrial Estate (MIE) di
Kabupaten Gresik, serta Sidoarjo Industrial Estate Berbek (SIEB)
di Kabupaten Sidoarjo. Keempat wilayah tersebut dan Kota Kediri
merupakan kabupaten dan kota yang memberikan kontribusi
terbesar dalam pembentukan nilai tambah Industri Pengolahan di
Jawa Timur.
PDRB di setiap kabupaten/kota di Provinsi Jawa Timur
diindikasikan mempunyai pola hubungan yang mengelompok dan
autokorelasi positif yang tinggi antar kabupaten/kota. Pembobot
customize merupakan pembobot yang disusun tidak hanya
memperhatikan faktor persinggungan antar wilayah tetapi juga
mempertimbangkan faktor kedekatan ekonomi. Kota Surabaya
merupakan ibu kota Provinsi Jawa Timur sekaligus merupakan
pusat pemerintahan provinsi dan perekonomian Provinsi Jawa
Timur. Sebagian besar barang-barang untuk kebutuhan masyarakat
dari kabupaten/kota lain diperoleh dari Kota Surabaya. Selain itu
dalam hal ketenagakerjaan, masyarakat yang berasal dari
kabupaten/kota lain di Provinsi Jawa Timur juga menjadi tenaga
kerja pada perusahaan-perusahaan yang ada di Kota Surabaya.
Fenomena ini juga terjadi di bidang pendidikan, dimana siswa
ataupun mahasiswa dari kabupaten/kota lain di Provinsi Jawa
Timur menempuh Pendidikan di Kota Surabaya karena sekolah-
sekolah dan perguruan tinggi favorit berada di Kota Surabaya.
Sehingga dengan memperhatikan karakteristik perekonomian
wilayah Provinsi Jawa Timur sesuai pemaparan tersebut,
pembentukan matriks pembobot customize semua kabupaten/kota
di Provinsi Jawa Timur tidak hanya memperhatikan faktor
persinggungan antar wilayah tetapi juga mengasumsikan setiap
kabupaten/kota di Provinsi Jawa Timur memiliki hubungan dengan
Kota Surabaya secara ekonomi. Setiap kabupaten/kota di Provinsi
47
Jawa Timur dengan Kota Surabaya akan diberi bobot 1 (wij = 1).
Matriks pembobot customize yang terbentuk ditampilkan sebagai
berikut : Pacitan Ponorogo Trenggalek ... Kota Surabaya Kota Batu ... Sumenep
Pacitan 0 1 1 ... 1 0 ... 0
Ponorogo 1 0 1 ... 1 0 ... 0
Trenggalek 1 1 0 ... 1 0 ... 0
Kota Surabaya 1 1 1 ... 0 1 ... 1
Kota Batu 0 0 0 ... 1 0 ... 0
Sume
customize =W
nep 0 0 0 ... 1 0 ... 0
4.1.2 Pola Persebaran Variabel yang Mempengaruhi PDRB di
Provinsi Jawa Timur Menurut Kabupaten/Kota
PDRB menurut fungsi produksi Cobb-Douglas dipengaruhi
oleh faktor modal dan tenaga kerja, sehingga beberapa variabel
yang digunakan dalam penelitian ini yang diduga mempengaruhi
PDRB di Provinsi Jawa Timur diantaranya faktor modal terdiri dari
pinjaman yang diberikan oleh Bank pada sektor pertanian,
peternakan, kehutanan dan perikanan, sektor industri pengolahan,
sektor perdagangan, hotel dan restoran serta realisasi belanja
daerah, selain itu terdapat variabel jumlah penduduk usia 15tahun
keatas yang bekerja, Rata-rata Lama Sekolah dan rasio
elektrifikasi. Pola persebaran variabel-variabel tersebut dapat
dianalisis secara deskriptif dengan menggunakan peta tematik.
a. Pola Persebaran Variabel Pinjaman yang Diberikan oleh
Bank pada Sektor Pertanian, Peternakan, Kehutanan,
Perikanan di Jawa Timur Menurut Kabupaten/Kota
Analisis pola peningkatan variabel pinjaman yang diberikan
oleh bank pada sektor pertanian, peternakan, kehutanan dan
perikanan pada Gambar 4.1 menunjukkan bahwa terdapat
peningkatan pinjaman pada sektor tersebut di Provinsi Jawa Timur
selama tahun 2010-2014, penurunan pada tahun 2015 dan
peningkatan kembali pada tahun 2016. Rata-rata pinjaman yang
diberikan oleh bank pada sektor pertanian, peternakan, kehutanan
dan perikanan tahun 2010-2016 menurut kabupaten/kota di
Provinsi Jawa Timur ditampilkan pada Lampiran 3. Kota Surabaya
48
merupakan daerah yang mendapatkan pinjaman pada sektor
pertanian, peternakan, kehutanan dan perikanan tertinggi di Jawa
Timur yaitu dengan rata-rata sebesar 20.308.333,00 juta rupiah
setiap tahun, sedangkan kabupaten yang mendapatkan pinjaman
terendah di Jawa Timur adalah Kabupaten Bangkalan. Nilai
standar deviasi yang menjelaskan keragaman dari masing-masing
kabupaten/kota di Provinsi Jawa Timur setiap tahun cukup besar,
hal ini dikarenakan pinjaman yang diberikan pada sektor pertanian
di setiap kabupaten/kota mengalami fluktuasi setiap tahunnya.
Ilustrasi dari pinjaman yang diberikan oleh Bank pada sektor
pertanian, peternakan, kehutanan dan perikanan di setiap
kabupaten/kota di Provinsi Jawa Timur tahun 2016 dalam peta
tematik disajikan pada Gambar 4.3.
Gambar 4.3 Peta Tematik Pinjaman Sektor Pertanian, Peternakan, Kehutanan
dan Perikanan Jawa Timur
Gambar 4.3 menunjukkan bahwa kabupaten dan kota di
Jawa Timur yang termasuk memperoleh pinjaman sektor
pertanian, peternakan, kehutanan dan perikanan yang tinggi pada
tahun 2016 adalah Kota Surabaya, Kabupaten Ngawi, Kabupaten
Nganjuk, Kabupaten Kediri, Kabupaten Blitar, Kabupaten Malang,
Kota Batu, Kabupaten Jember dan Banyuwangi. Kota Surabaya
mendapatkan pinjaman sektor pertanian tertinggi dan merupakan
49
kota dengan PDRB tertinggi di Provinsi Jawa Timur. Pinjaman
yang diberikan oleh Bank pada sektor pertanian, peternakan,
kehutanan dan perikanan di kabupaten dan kota Provinsi Jawa
Timur pada tahun 2016 secara visual terlihat memiliki pola yang
mengelompok, kabupaten/kota yang mendapatkan pinjaman yang
tinggi pada sektor pertanian umumnya dikelilingi oleh kabupaten
lain yang juga mendapatkan pinjaman sektor pertanian yang tinggi.
b. Pola Persebaran Variabel Pinjaman yang Diberikan oleh
Bank pada Sektor Industri Pengolahan di Jawa Timur
Menurut Kabupaten/Kota
Gambar 4.1 menunjukkan bahwa variabel pinjaman yang
diberikan oleh bank pada sektor industri pengolahan di Provinsi
Jawa Timur terus meningkat selama tahun 2010-2015 dan
mengalami penurunan pada tahun 2016. Rata-rata pinjaman yang
diberikan oleh bank pada sektor industri pengolahan tahun 2010-
2016 menurut kabupaten/kota di Provinsi Jawa Timur ditampilkan
pada Lampiran 4. Pinjaman pada sektor industri pengolahan
tertinggi yang diberikan oleh Bank adalah pada Kota Surabaya
yaitu sebesar 353.142.075,28 juta rupiah setiap tahun. Pinjaman
terbesar pada sektor industri selanjutnya adalah Kabupaten Gresik,
Kabupaten Sidoarjo, Kota Kediri dan Kabupaten Pasuruan, dimana
kelima wilayah tersebut merupakan sentra industri di Jawa Timur.
Nilai standar deviasi yang menjelaskan keragaman pinjaman sektor
industri dari masing-masing kabupaten/kota di Provinsi Jawa
Timur setiap tahun cukup besar, hal ini dikarenakan pinjaman yang
diberikan pada sektor industri pengolahan di setiap kabupaten/kota
mengalami peningkatan yang cukup besar setiap tahunnya di
hampir semua kabupaten/kota di Provinsi Jawa Timur. Ilustrasi
dari pinjaman yang diberikan oleh Bank pada sektor industri
pengolahan di setiap kabupaten/kota di Provinsi Jawa Timur tahun
2016 dalam peta tematik disajikan pada Gambar 4.4. Gambar 4.4
menunjukkan bahwa pada tahun 2016, kabupaten dan kota yang
dikategorikan memperoleh pinjaman sektor industri pengolahan
yang tinggi adalah Kota Surabaya, Kabupaten Gresik, Kabupaten
Sidoarjo, Kabupaten Pasuruan dan Kota Kediri.
50
Gambar 4.4 Peta Tematik Pinjaman Sektor Industri Pengolahan Jawa Timur
Kelima daerah yang memperoleh pinjaman sektor industri
tertinggi tersebut juga merupakan kabupaten dan kota yang
tergolong memiliki PDRB yang tinggi di Jawa Timur. Pinjaman
yang diberikan oleh Bank pada sektor industri pengolahan di
kabupaten dan kota Provinsi Jawa Timur pada tahun 2016 secara
visual memiliki pola yang mengelompok, kabupaten/kota yang
mendapatkan pinjaman yang tinggi pada sektor industri umumnya
dikelilingi oleh kabupaten lain yang juga mendapatkan pinjaman
sektor pertanian yang tinggi.
c. Pola Persebaran Variabel Pinjaman yang Diberikan oleh
Bank pada Sektor Perdagangan, Hotel dan Restoran di
Jawa Timur Menurut Kabupaten/Kota
Pola peningkatan variabel pinjaman yang diberikan oleh
bank pada sektor perdagangan, hotel dan restoran di Provinsi Jawa
Timur pada Gambar 4.1 menunjukkan bahwa terus terjadi
peningkatan yang cukup tinggi dari pinjaman pada sektor tersebut
setiap tahunnya selama tahun 2010-2016. Rata-rata pinjaman yang
diberikan oleh bank pada sektor perdagangan, hotel dan restoran
tahun 2010-2016 di setiap kabupaten/kota di Provinsi Jawa Timur
ditampilkan pada Lampiran 5. Pinjaman pada sektor perdagangan,
hotel dan restoran tertinggi yang diberikan oleh Bank adalah pada
Kota Surabaya yaitu sebesar 452.350.659,08 juta rupiah setiap
51
tahun. Nilai pinjaman yang diberikan oleh Bank pada sektor
perdagangan, hotel dan restoran di Kota Surabaya lebih besar
dibandingkan dengan pinjaman pada sektor pertanian maupun
sektor industri pengolahan. Pinjaman terbesar pada sektor
perdagangan, hotel dan restoran selanjutnya adalah Kabupaten
Sidoarjo, Kabupaten Gresik dan Kota Malang. Nilai standar
deviasi dari variabel pinjaman yang diberikan pada sektor
perdagangan, hotel dan restoran pada masing-masing
kabupaten/kota di Provinsi Jawa Timur cukup besar, hal ini
dikarenakan pinjaman yang diberikan pada sektor tersebut
mengalami peningkatan yang cukup besar setiap tahunnya di
hampir semua kabupaten/kota di Provinsi Jawa Timur. Ilustrasi
dari pinjaman yang diberikan oleh Bank pada sektor perdagangan,
hotel dan restoran di setiap kabupaten/kota di Provinsi Jawa Timur
tahun 2016 dalam peta tematik ditampilkan pada Gambar 4.5.
Gambar 4.5 Peta Tematik Pinjaman Sektor Perdagangan, Hotel dan Restoran
Jawa Timur
Gambar 4.5 menginformasikan bahwa kabupaten dan kota
di Provinsi Jawa Timur yang tergolong mendapatkan pinjaman
pada sektor perdagangan, hotel dan restoran yang tinggi adalah
Kota Surabaya, Kabupaten Sidoarjo dan Kabupaten Gresik. Ketiga
kabupaten dan kota ini juga termasuk kedalam kabupaten dan kota
yang memiliki nilai PDRB yang tinggi di Provinsi Jawa Timur.
52
Pola dari pinjaman yang diberikan pada sektor perdagangan, hotel
dan restoran di setiap kabupaten/kota Provinsi Jawa Timur pada
tahun 2016 cenderung mengelompok, kabupaten dan kota dengan
pinjaman yang tinggi terletak saling berdekatan, begitu pula
dengan kabupaten dan kota yang mendapatkan pinjaman sektor
perdagangan, hotel dan restoran yang rendah.
d. Pola Persebaran Variabel Realisasi Belanja Daerah di
Jawa Timur Menurut Kabupaten/Kota
Analisis pola peningkatan variabel realisasi belanja daerah
di Provinsi Jawa Timur pada Gambar 4.1 menunjukkan bahwa
terus terjadi peningkatan dari realisasi belanja daerah selama tahun
2010-2016, akan tetapi beberapa peningkatan tersebut tidak
signifikan. Rata-rata realisasi belanja daerah tahun 2010-2016 di
setiap kabupaten/kota di Provinsi Jawa Timur ditampilkan pada
Lampiran 6. Kota Surabaya merupakan kota dengan belanja daerah
tertinggi di Jawa Timur yaitu sebesar 5.819.079,408 juta rupiah
setiap tahun. Kabupaten dengan realisasi belanja daerah terbesar di
Jawa Timur selanjutnya adalah Kabupaten Sidoarjo, Kabupaten
Malang dan Kabupaten Jember. Sedangkan, kota dengan realisasi
belanja daerah terendah di Provinsi Jawa Timur adalah Kota Blitar
yaitu sebesar 632.326,006 juta rupiah. Belanja daerah dari Kota
Surabaya dan Kota Blitar memiliki selisih yang sangat besar. Nilai
standar deviasi yang menjelaskan keragaman dari variabel realisasi
belanja daerah masing-masing kabupaten/kota di Provinsi Jawa
Timur cukup besar, hal ini dikarenakan realisasi belanja daerah
mengalami fluktuasi yang cukup besar setiap tahunnya di hampir
semua kabupaten/kota di Provinsi Jawa Timur. Ilustrasi dari
realisasi belanja daerah di setiap kabupaten/kota di Jawa Timur
tahun 2016 dalam peta tematik ditampilkan pada Gambar 4.6.
Gambar 4.6 menunjukkan bahwa kabupaten dan kota yang
termasuk memiliki realisasi belanja daerah yang tinggi di Provinsi
Jawa Timur adalah Kota Surabaya dan Kabupaten Bojonegoro.
Kota Surabaya merupakan kota dengan belanja daerah tertinggi
sekaligus menghasilkan PDRB yang tertinggi di Provinsi Jawa
Timur, sedangkan Kabupaten Bojonegoro memiliki nilai belanja
53
daerah yang tinggi namun PDRB yang dihasilkan terbilang cukup
rendah pada tahun 2016.
Gambar 4.6 Peta Tematik Realisasi Belanja Daerah Jawa Timur
Pola dari realisasi belanja daerah di setiap kabupaten/kota
Provinsi Jawa Timur pada tahun 2016 cenderung masih
mengelompok, kabupaten dan kota dengan belanja daerah yang
cukup tinggi terletak saling berdekatan, begitu pula dengan
kabupaten dan kota dengan realisasi belanja daerah yang rendah.
e. Pola Persebaran Variabel Jumlah Penduduk Berusia 15
Tahun Keatas yang Bekerja di Jawa Timur Menurut
Kabupaten/Kota
Jumlah penduduk berusia 15 tahun keatas yang bekerja di
Provinsi Jawa Timur mengalami fluktuasi setiap tahun selama
tahun 2010-2016 berdasarkan Gambar 4.1. Terjadi penurunan
jumlah penduduk yang bekerja pada tahun 2010-2011, kenaikan
pada tahun 2012-213 dan penurunan kembali pada tahun 2014
hingga 2016. Rata-rata jumlah penduduk berusia 15 tahun keatas
yang bekerja di setiap kabupaten/kota di Provinsi Jawa Timur dari
tahun 2010-2016 ditampilkan pada Lampiran 7. Jumlah penduduk
bekerja tertinggi di Provinsi Jawa Timur terletak pada Kota
Surabaya yaitu sebanyak 1.346.775 jiwa setiap tahun, sedangkan
yang terendah adalah Kota Mojokerto yaitu sebesar 61.216 jiwa
54
setiap tahun. Nilai standar deviasi yang menjelaskan keragaman
dari jumlah penduduk berusia 15 tahun katas yang bekerja pada
masing-masing kabupaten/kota di Provinsi Jawa Timur cukup
besar, hal ini dikarenakan jumlah penduduk bekerja mengalami
fluktuasi yang cukup besar setiap tahunnya di hampir semua
kabupaten/kota di Provinsi Jawa Timur. Ilustrasi dari jumlah
penduduk berusia 15 tahun keatas yang bekerja di setiap
kabupaten/kota di Provinsi Jawa Timur tahun 2016 dalam peta
tematik ditampilkan pada Gambar 4.7.
Gambar 4.7 Peta Tematik Jumlah Penduduk Usia 15 Tahun Keatas yang
Bekerja di Jawa Timur
Persebaran jumlah penduduk usia 15 tahun keatas yang
bekerja menurut Gambar 4.7 menunjukkan bahwa kabupaten dan
Kota yang tergolong memiliki jumlah pekerja yang tinggi adalah
Kota Surabaya, Kabupaten Sidoarjo, Kabupaten Jember, Kota
Batu, Kabupaten Malang, Kabupaten Kediri, Kabupaten Pasuruan
dan Kabupaten Banyuwangi. Kabupaten dan kota dengan jumlah
pekerja yang tinggi umumnya memiliki lapangan pekerjaan yang
lebih banyak dalam beberapa sektor ekonomi seperti industri,
perdagangan dan pertanian. Kota Surabaya dan Kabupaten
55
Sidoarjo merupakan kabupaten dan kota dengan jumlah pekerja
yang tinggi dan juga menghasilkan nilai PDRB yang tinggi di Jawa
Timur pada tahun 2016. Pola dari jumlah penduduk berusia 15
tahun keatas yang bekerja di setiap kabupaten/kota Provinsi Jawa
Timur pada tahun 2016 masih cenderung mengelompok,
kabupaten dan kota dengan jumlah pekerja yang tinggi terletak
saling berdekatan, begitu pula dengan kabupaten dan kota dengan
jumlah penduduk bekerja yang rendah.
f. Pola Persebaran Variabel Rata-Rata Lama Sekolah di
Jawa Timur Menurut Kabupaten/Kota
Rata-rata Lama Sekolah (RLS) / Mean Years School (MYS)
didefinisikan sebagai jumlah tahun yang digunakan oleh penduduk
dalam menjalani pendidikan formal. RLS dapat digunakan untuk
mengetahui kualitas pedididikan masyarakat di suatu daerah.
Gambar 4.1 menunjukkan bahwa rata-rata lama sekolah di Provinsi
Jawa Timur terus meningkat selama tahun 2010-2016. Nilai rata-
rata dari RLS penduduk di setiap kabupaten/kota di Provinsi Jawa
Timur dari tahun 2010-2016 ditampilkan pada Lampiran 8. Rata-
rata lama sekolah tertinggi di Provinsi Jawa Timur adalah pada
Kota Madiun yaitu sebesar 10,77 tahun, sedangkan Kota Surabaya
menempati urutan kedua dengan rata-rata lama sekolah sebesar
10,05 tahun. Kabupaten Sampang merupakan kabupaten dengan
rata-rata lama sekolah terendah di Provinsi Jawa Timur yaitu 3.41
tahun. Nilai standar deviasi yang menunjukkan keragaman rata-
rata nilai sekolah di setiap kabupaten/kota Provinsi Jawa Timur
cukup rendah. Peningkatan rata-rata lama sekolah di Provinsi Jawa
Timur setiap tahun terjadi karena terdapat peningkatan rata-rata
lama sekolah di hampir semua kabupaten/kota Provinsi Jawa
Timur selama tahun 2010-2016. Ilustrasi dari rata-rata lama
sekolah di setiap kabupaten/kota di Provinsi Jawa Timur tahun
2016 dalam peta tematik ditampilkan pada Gambar 4.8. Rata-rata
lama sekolah di setiap kabupaten/kota di Jawa Timur pada Gambar
4.8 menginformasikan bahwa masih banyak kabupaten dan kota di
Provinsi Jawa Timur yang memiliki rata-rata lama sekolah yang
rendah.
56
Gambar 4.8 Peta Tematik Rata-Rata Lama Sekolah di Jawa Timur
Kota Surabaya, Kabupaten Sidoarjo, Kabupaten Gresik,
Kota Madiun, Kota Kediri, Kota Probolinggo Kota Batu dan Kota
Malang merupakan kabupaten dan kota di Provinsi Jawa Timur
yang tergolong memiliki rata-rata lama sekolah yang tinggi pada
tahun 2016. Sehingga, dapat dikatakan bahwa daerah perkotaan di
Provinsi Jawa Timur umumnya memiliki rata-rata lama sekolah
atau kualitas pendidikan yang baik. Kota Surabaya, Kabupaten
Sidoarjo, Kabupaten Gresik dan Kota Kediri merupakan daerah
dengan rata-rata lama sekolah yang tinggi dan juga menghasilkan
PDRB yang tinggi di Provinsi Jawa Timur. Pola dari rata-rata lama
sekolah di setiap kabupaten/kota Provinsi Jawa Timur pada tahun
2016 masih cenderung mengelompok, kabupaten dan kota dengan
rata-rata lama sekolah yang rendah terletak saling berdekatan.
g. Pola Persebaran Variabel Rasio Elektrifikasi di Jawa
Timur Menurut Kabupaten/Kota
Rasio elektrifikasi merupakan indikator infrastruktur yang
menjadi input terhadap produksi agregat (PDRB). Rasio
elektrifikasi di Jawa Timur terus mengalami peningkatan setiap
tahun berdasarkan Gambar 4.1. Nilai rata-rata dari rasio
elektrifikasi selama tahun 2010-2016 di setiap kabupaten/kota di
Provinsi Jawa Timur ditampilkan pada Lampiran 9. Rasio
elektrifikasi tertinggi di Provinsi Jawa Timur adalah pada Kota
Surabaya yakni sebesar 108,50 persen. Hal ini dikarenakan jumlah
57
pelanggan listrik di Kota Surabaya lebih banyak dibandingkan
dengan jumlah rumah tangga yang ada. Rasio elektrifikasi terendah
terdapat pada Kabupaten Sampang sebesar 44,71 persen. Nilai
standar deviasi yang menunjukkan keragaman rata-rata rasio
elektrifikasi di setiap kabupaten/kota Provinsi Jawa Timur cukup
rendah. Peningkatan rasio elektrifikasi di Provinsi Jawa Timur
setiap tahun terjadi karena terdapat peningkatan rasio elektrifikasi
di hampir semua kabupaten/kota Provinsi Jawa Timur selama
tahun 2010-2016. Ilustrasi dari rasio elektrifikasi di setiap
kabupaten/kota di Provinsi Jawa Timur tahun 2016 dalam peta
tematik ditampilkan pada Gambar 4.9.
Gambar 4.9 Peta Tematik Rasio Elektrifikasi di Jawa Timur
Rasio elektrifikasi di setiap kabupaten/kota di Provinsi Jawa
Timur tahun 2016 pada Gambar 4.9 menunjukkan bahwa rasio
elektrifikasi di Provinsi Jawa Timur dapat dikatakan cukup baik
dan meningkat dibandingkan dengan tahun-tahun sebelumnya, hal
ini dapat dilihat dari mayoritas kabupaten dan kota di Provinsi Jawa
Timur sudah memiliki rasio elektrifikasi yang tergolong tinggi.
Akan tetapi terdapat pula beberapa kabupaten dan kota yang masih
memiliki rasio elektrifikasi yang rendah seperti di Pulau Madura.
Pola dari rasio elektrifikasi di setiap kabupaten/kota Provinsi Jawa
Timur pada tahun 2016 cenderung mengelompok, kabupaten dan
58
kota dengan rasio elektrifikasi yang tinggi terletak saling
berdekatan, begitu pula dengan kabupaten dan kota dengan rasio
elektrifikasi yang rendah.
4.1.3 Analisis Korelasi PDRB di Provinsi Jawa Timur dengan
Variabel yang Mempengaruhi PDRB
Pada sub bab 4.1.2 telah dijelaskan bahwa peningkatan
variabel-variabel yang diduga mempengaruhi PDRB di kabupaten
dan kota di Provinsi Jawa Timur diduga berhubungan dengan
peningkatan PDRB itu sendiri, untuk mengetahui hubungan antara
PDRB dan variabel yang diduga mempengaruhinya dapat
dilakukan analisis secara visual dengan scatterplot dan pengujian
korelasi dengan uji Pearson. Scatterplot antara PDRB di setiap
kabupaten/kota di Provinsi Jawa Timur selama tahun 2016 dengan
variabel yang mempengaruhinya ditampilkan pada Gambar 4.10.
16128
12
10
8
201510 201510
9.07.56.0 13.512.511.5 2.01.51.0
12
10
8
4.54.03.5
12
10
8
lnX1
lnY
lnX2 lnX3
lnX4 lnX5 lnX6
lnX7
Gambar 4.10 Scatterplot Antara y dan x
Scatterplot pada Gambar 4.10 menunjukkan bahwa secara
visual, PDRB di Jawa Timur memiliki korelasi atau hubungan
yang positif dengan 7 variabel yang diduga mempengaruhinya
(pinjaman yang diberikan oleh bank pada sektor pertanian, sektor
industri pengolahan, sektor perdagangan, realisasi belanja daerah,
jumlah penduduk yang bekerja, rata-rata lama sekolah dan rasio
59
elektrifikasi). Korelasi yang positif menunjukkan bahwa semakin
meningkatnya nilai prediktor (x), maka PDRB (y) yang dihasilkan
akan semakin tinggi. Untuk mengetahui apakah korelasi antara
PDRB dan variabel yang diduga mempengaruhinya signifikan,
dilakukan pengujian dengan uji Pearson. Pengujian dilakukan
dengan taraf signifikansi 5%, hasil uji Pearson terhadap PDRB di
setiap kabupaten/kota di Provinsi Jawa Timur selama tahun 2010
hingga 2016 dengan variabel yang diduga mempengaruhinya
disajikan pada Tabel 4.1. Tabel 4.1 Uji Korelasi Antara y dan x
Variabel Keterangan r P-
value
x1 Pinjaman sektor pertanian, peternakan,
kehutanan dan perikanan
0,558 0,000
x2 Pinjaman sektor industri pengolahan 0,746 0,000
x3 Pinjaman sektor perdagangan, hotel dan
restoran
0,723 0,000
x4 Realisasi belanja daerah 0,761 0,000
x5 Jumlah penduduk usia 15tahun keatas
yang bekerja
0,709 0,000
x6 Rata-rata lama sekolah 0,106 0,083
x7 Rasio elektrifikasi 0,166 0,007
Tabel 4.1 menunjukkan bahwa nilai statistik uji r pada uji
Pearson bernilai positif, yang berarti bahwa PDRB memiliki
hubungan yang searah dengan variabel yang diduga
mempengaruhinya. Variabel yang memiliki nilai korelasi tertinggi
dengan PDRB adalah realisasi belanja daerah yaitu sebesar 0,761,
sedangkan variabel yang memiliki nilai korelasi terendah dengan
PDRB adalah rata-rata lama sekolah. Korelasi antara PDRB
dengan variabel yang diduga mempengaruhinya dikatakan
signifikan apabila P-value yang dihasilkan bernilai lebih kecil dari
taraf signifikan yang digunakan (0,05). Berdasarkan hasil
pengujian Pearson dengan taraf signifikan 5% dapat diketahui
bahwa variabel yang berkorelasi secara signifikan dengan PDRB
di Jawa Timur adalah variabel pinjaman sektor pertanian,
peternakan, kehutanan dan perikanan, pinjaman sektor industri,
60
pinjaman sektor perdagangan, hotel dan restoran, realisasi belanja
daerah, jumlah penduduk berusia 15 tahun keatas yang bekerja
serta rasio elektrifikasi. Sedangkan variabel rata-rata lama sekolah
tidak memiliki korelasi yang signifikan dengan PDRB di Provinsi
Jawa Timur.
4.2 Pemodelan PDRB Provinsi Jawa Timur dengan
Pendekatan Ekonometrika Panel Spasial
Data yang digunakan dalam ekonometrika panel spasial
adalah data gabungan antara data time series dan cross section atau
biasa disebut data panel. Unit cross section diobservasi secara
ulang beberapa waktu, jika hasil setiap observasi tersebut sama
maka disebut data panel seimbang (balance panel data) dan
sebaliknya jika hasil observasi tersebut tidak sama maka disebut
data panel tidak seimbang (unbalance panel data). Bobot yang
digunakan dalam penelitian ini adalah bobot queen contiguity dan
bobot customize. Komponen yang paling mendasar dalam panel
spasial adalah matriks pembobot. Matriks pembobot spasial
dibentuk atas persinggungan sisi dan sudut untuk wilayah yang
saling bersisian (common side) atau titik sudutnya (common vertex)
bertemu dengan sudut wilayah yang menjadi perhatian. Sedangkan
bobot customize dibentuk tidak hanya berdasarkan wilayah yang
bersinggungan tetapi juga memperhatikan karakteristik ekonomi.
Bobot customize dalam penelitian ini mengasumsikan semua
kabupaten/kota di Provinsi Jawa Timur mempunyai hubungan
dengan Kota Surabaya yang merupakan pusat perekonomian
Provinsi Jawa Timur.
4.2.1 Exploratory Spatial Data Analysis (ESDA)
PDRB di setiap kabupaten/kota di Provinsi Jawa Timur
selama tahun 2010-2016 diindikasikan memiliki pola yang
mengelompok. Exploratory Spatial Data Analysis (ESDA) adalah
konsep autokorelasi spasial yang mengukur korelasi variabel
dengan dirinya sendiri melalui ruang. Autokorelasi spasial dapat
dideteksi dengan melihat nilai indeks Moran (Moran’s I). Uji
Moran’s I terhadap PDRB Jawa Timur dilakukan dengan
menggunakan matriks pembobot queen contiguity. Hasil
61
perhitungan dan uji signifikansi indeks Moran’s I terhadap PDRB
di setiap kabupaten/kota Provinsi Jawa Timur selama tahun 2010
hingga 2016 disajikan pada Tabel 4.2. Tabel 4.2 Uji Moran’s I
Tahun
Queen Customized
E(I) Moran I
Statistic Z(I)
P-
value
Moran
I
Statistic
Z(I) P-
value
2010 0,3044 3,7283 0,0002 0,1223 1,7107 0,0871 -0,0270
2011 0,3045 3,7424 0,0002 0,1222 1,7163 0,0861 -0,0270
2012 0,3055 3,7664 0,0002 0,1228 1,7289 0,0838 -0,0270
2013 0,3047 3,7963 0,0002 0,1224 1,7416 0,0816 -0,0270
2014 0,3058 3,8224 0,0001 0,1231 1,7561 0,0791 -0,0270
2015 0,3050 3,8117 0,0001 0,1226 1,7493 0,0802 -0,0270
2016 0,3015 3,7638 0,0002 0,1204 1,7208 0,0853 -0,0270
Hasil perhitungan dan pengujian signifikansi Moran’s I pada
Tabel 4.2 menunjukkan bahwa PDRB di setiap kabupaten/kota di
Provinsi Jawa Timur mempunyai autokorelasi yang positif selama
tahun 2010-2016 dikarenakan tanda pada nilai Moran’s I bernilai
positif baik dengan matriks pembobot spasial queen contiguity dan
customize. Pengujian signifikansi Moran’s I menyatakan bahwa
terdapat autokorelasi spasial yang signifikan apabila P-value
bernilai kurang dari taraf signifikan yang digunakan. Tabel 4.2
menunjukkan bahwa matriks pembobot spasial queen contiguity
pada setiap tahun selama 2010-2016 menghasilkan nilai Moran’s I
yang lebih tinggi dibandingkan dengan matriks pembobot
customize, sehingga dapat disimpulkan bahwa PDRB di Jawa
Timur dengan matriks pembobot queen contiguity memiliki
autokorelasi yang lebih tinggi dibandingkan dengan matriks
customize.
P-value yang dihasilkan pada pengujian signifikansi
Moran’s I dengan matriks pembobot queen contiguity selama tahun
2010-2016 bernilai sekitar 0,000 sehingga dapat dikatakan bahwa
autokorelasi spasial dari PDRB di setiap kabupaten/kota Provinsi
Jawa Timur signifikan pada taraf α=5% dengan pembobot queen
contiguity, sedangkan p-value dari hasil pengujian signifikansi
Moran’s I dengan matriks pembobot customize bernilai sekitar
62
0,080 sehingga dapat dikatakan bahwa autokorelasi spasial dari
PDRB di setiap kabupaten/kota Provinsi Jawa Timur signifikan
pada taraf α=10% dengan pembobot customize. Nilai ekspektasi
dari Moran’s I atau E(I) dari Provinsi Jawa Timur adalah sebesar -
0,0270. Perhitungan Moran’s I dari PDRB di setiap kabupaten/kota
di Provinsi Jawa Timur selama tahun 2010-2016 dengan matriks
pembobot queen contiguity dan customize bernilai lebih besar
dibandingkan dengan nilai ekspektasi Moran’s I, sehingga dapat
dikatakan bahwa PDRB di setiap kabupaten/kota di Provinsi Jawa
Timur pada tahun 2010-2016 memiliki pola yang mengelompok.
Analisis selanjutnya adalah membentuk Moran’s scatterplot
yang bertujuan untuk memperkuat hasil analisis nilai Moran’s I dan
menunjukkan letak kuadran dari setiap kabupaten dan kota di
Provinsi Jawa Timur sehingga dapat diketahui apakah
kabupaten/kota dengan nilai PDRB yang tinggi ataupun rendah
dikelilingi oleh kabupaten/kota dengan PDRB yang tinggi ataupun
rendah pula. Moran’s scatterplot dibentuk dari scatterplot antara
Zwy (perkalian antara bobot yang telah di standarisasi dengan nilai
PDRB) dan Zy (nilai PDRB yang telah di standarisasi). Bobot
spasial yang digunakan untuk membentuk Moran’s Scatterplot
adalah matriks pembobot queen contiguity dan customize. Moran’s
Scatterplot dari PDRB di setiap kabupaten/kota di Provinsi Jawa
Timur selama tahun 2010-2016 dengan matriks pembobot queen
contiguity ditampilkan pada Gambar 4.11.
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2010
WZ2
01
0
0.000
0.002
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
Gambar 4.11 Moran’s Scatterplot dengan Matriks Queen Contiguity Tahun
(a) 2010 (b) 2011
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2011
WZ2
01
1
-0.000
0.002
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
(a) (b)
63
Gambar 4.11 Moran’s Scatterplot dengan Matriks Queen Contiguity Tahun
(c) 2012 (d) 2013 (e) 2014 (f) 2015 (g) 2016 (Lanjutan)
Moran’s scatterplot dengan matriks queen contiguity pada
Gambar 4.11 menunjukkan bahwa PDRB di setiap kabupaten/kota
di Provinsi Jawa Timur memiliki pola yang hampir sama setiap
tahunnya selama tahun 2010-2016. Gambar 4.11 menunjukkan
bahwa kabupaten dan kota yang termasuk kedalam kuadran I
(High-High) adalah Kota Surabaya, Kota Malang, Kabupaten
Gresik, Kabupaten Sidoarjo, Kabupaten Pasuruan dan Kabupaten
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2012
WZ2
01
20.000
0.003
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2013
WZ2
01
3
-0.000
0.002
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2014
WZ2
01
4
-0.000
0.000
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2015
WZ2
01
5
0.000
0.002
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2016
WZ2
01
6
0.000
0.003
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabay a
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
(c) (d)
(e) (f)
(g)
64
Mojokerto. Kabupaten dan kota yang termasuk kedalam kuadran I
adalah kabupaten/kota yang menghasilkan nilai PDRB yang tinggi
dan dikelilingi oleh kabupaten/kota lain dengan nilai PDRB yang
tinggi pula. Sebagian besar kabupaten dan kota di Provinsi Jawa
Timur termasuk kedalam kuadran III (Low-Low), yang berarti
bahwa kabupaten dan kota yang menghasilkan nilai PDRB yang
rendah juga dikelilingi oleh kabupaten/kota dengan nilai PDRB
yang rendah. Hal tersebut menunjukkan bahwa PDRB di setiap
kabupaten/kota di Provinsi Jawa Timur memiliki autokorelasi
spasial yang tinggi dengan matriks pembobot queen contiguity. Hal
tersebut juga mengidentifikasi bahwa terdapat dependensi spasial
karena umumnya kabupaten/kota dengan nilai PDRB yang tinggi
dikelilingi oleh kabupaten/kota lain yang menghasilkan PDRB
yang tinggi, begitu pula sebaliknya. Analisis selanjutnya adalah
membentuk Moran’s scatterplot dengan matriks pembobot
customize. Moran’s Scatterplot dari PDRB di setiap
kabupaten/kota di Provinsi Jawa Timur selama tahun 2010-2016
dengan matriks customize ditampilkan pada Gambar 4.12.
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2010
WZ 2
01
0
0.000
-0.032
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2011
WZ 2
01
1
-0.000
-0.031
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2012
WZ 2
01
2
0.000
-0.031
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2013
WZ 2
01
3
-0.000
-0.032
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
Gambar 4.12 Moran’s Scatterplot dengan Matriks Queen Contiguity Tahun
(a) 2010 (b) 2011 (c) 2012 (d) 2013
(b) (a)
(c) (d)
65
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2014
WZ 2
01
4
-0.000
-0.033
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2015
WZ 2
01
5
0.000
-0.032
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
6543210
2.0
1.5
1.0
0.5
0.0
-0.5
Z2016
WZ 2
01
6
0.000
-0.030
Sidoarjo
Malang
Gresik
Mojokerto
Kediri
Kota Batu
Kota Surabaya
Kota Mojokerto
Kota Pasuruan
Kota Malang
Kota Kediri
Pasuruan
Gambar 4.12 Moran’s Scatterplot dengan Matriks Customize Tahun (e) 2014
(f) 2015 (g) 2016 (Lanjutan)
Moran’s scatterplot pada Gambar 4.12 menunjukkan bahwa
PDRB di setiap kabupaten/kota di Provinsi Jawa Timur memiliki
pola yang hampir sama setiap tahunnya selama tahun 2010-2016
dengan matriks pembobot customize. Matriks pembobot customize
menghasilkan pola Moran’s scatterplot yang berbeda dengan
matriks pembobot queen contiguity. Gambar 4.12 menunjukkan
bahwa kabupaten dan kota yang termasuk kedalam kuadran I
(High-High) adalah Kota Malang, Kabupaten Gresik, Kabupaten
Sidoarjo, Kabupaten Pasuruan dan Kabupaten Mojokerto.
Kabupaten dan kota yang termasuk kedalam kuadran I adalah
kabupaten/kota yang menghasilkan nilai PDRB yang tinggi dan
(e) (f)
(g)
66
dikelilingi oleh kabupaten/kota lain dengan nilai PDRB yang tinggi
pula. Moran’s scatterplot dengan matriks pembobot queen
contiguity menempatkan Kota Surabaya pada Kuadran I (High-
High). Sedangkan dengan matriks pembobot customize, Kota
Surabaya termasuk kedalam kuadran IV (High-Low), hal ini
menunjukkan bahwa Kota Surabaya menghasilkan nilai PDRB
yang tinggi namun dikelilingi oleh kabupaten/kota lain yang
menghasilkan nilai PDRB yang rendah. Dengan matriks pembobot
customize, sebagian besar kabupaten dan kota di Provinsi Jawa
Timur masih termasuk kedalam kuadran III (Low-Low), hal ini
berarti bahwa sebagian besar kabupaten dan kota yang
menghasilkan nilai PDRB yang rendah juga dikelilingi oleh
kabupaten/kota dengan nilai PDRB yang rendah. Moran’s
scatterplot yang terbentuk dari matriks pembobot customize juga
menunjukkan bahwa PDRB di setiap kabupaten/kota di Provinsi
Jawa Timur memiliki autokorelasi spasial yang positif dan
diindikasi terdapat dependensi spasial pada kabupaten dan kota di
Provinsi Jawa Timur karena umumnya kabupaten/kota dengan
nilai PDRB yang tinggi dikelilingi oleh kabupaten/kota lain yang
menghasilkan PDRB yang tinggi, begitu pula sebaliknya.
4.2.2 Pengujian Dependensi Spasial
Langkah pertama sebelum memodelkan PDRB di setiap
kabupaten dan kota di Provinsi Jawa Timur adalah menguji
dependensi spasial dengan menggunakan uji Lagrange Multiplier
(LM) dan Robust Lagrange Multiplier (Robust LM) untuk melihat
apakah dependensi spasial terjadi pada respon atau pada error
model. Pengujian dependensi spasial dilakukan dengan
meggunakan matriks pembobot queen contiguity dan customize.
Hasil pengujian dependensi spasial terhadap pemodelan PDRB di
kabupaten/kota Provinsi Jawa Timur disajikan pada Tabel 4.3.
Pengujian dependensi spasial dengan uji Lagrange Multiplier
signifikan apabila p-value yang dihasilkan bernilai lebih kecil dari
taraf signifikan yang digunakan. Tabel 4.3 menunjukkan bahwa
pengujian Lagrange Multiplier dengan matriks pembobot queen
contiguity dan customize memberikan hasil yang berbeda.
67
Tabel 4.3 Uji Lagrange Multiplier (LM)
Queen Contiguity
Uji LM
Pooled
Regression
Spatial Fixed
Effects
Spatial Random
Effects
LM P-
value LM
P-
value LM
P-
value
LM lag 2,427 0,119 124,777 0,000 25,540 0,000
Robust
LM lag
5,748 0,017 48,636 0,000 8,509 0,004
LM error 26,706 0,000 76,382 0,000 20,863 0,000
Robust
LM error
30,027 0,000 0,240 0,624 3,831 0,050
Customize
Uji LM
Pooled
Regression
Spatial Fixed
Effects
Spatial Random
Effects
LM P-
value LM
P-
value LM
P-
value
LM lag 9,890 0,002 125,035 0,000 24,099 0,000
Robust
LM lag
0,001 0,982 47,307 0,000 8,034 0,005
LM error 25,808 0,000 77,831 0,000 19,683 0,000
Robust
LM error
15,918 0,000 0,1037 0,747 3,618 0,057
Terdapat dependensi spasial yang signifikan pada variabel
dependen (respon) dengan matriks pembobot queen contiguity dan
customize pada model spatial fixed effects dan random effects
dengan α=5%. Dependensi spasial pada variabel dependen tidak
signifikan pada pengujian LM lag dalam model pooled regression
dengan matriks pembobot queen contiguity dan pengujian robust
LM lag dengan matriks pembobot customize pada α=5% dalam
model pooled regression. Uji Lagrange Multiplier menunjukkan
bahwa terdapat dependensi spasial pada error model, pengujian
terhadap LM error dan robust LM error signifikan pada α=5%
pada model pooled regression, sedangkan pengujian terhadap
68
robust LM error tidak signifikan dalam model spatial fixed effects
dan random effects. Secara keseluruhan, hasil uji LM menunjukkan
bahwa terdapat indikasi dependensi spasial pada variabel dependen
dan error model, sehingga tetap dilakukan pemodelan dengan
model SAR dan SEM terhadap PDRB di setiap kabupaten/kota di
Provinsi Jawa Timur.
4.2.3 Pemodelan PDRB di Provinsi Jawa Timur dengan
Pendekatan Ekonometrika Panel Spasial
PDRB di setiap kabupaten/kota di Provinsi Jawa Timur
tahun 2010-2016 dimodelkan dengan model panel spasial, dimana
model spasial yang digunakan adalah model SAR dan SEM dengan
matriks pembobot queen contiguity dan customize. Model SAR
bertujuan untuk mengetahui apakah PDRB di suatu kabupaten/kota
berkaitan dengan PDRB di kabupaten/kota lain di Provinsi Jawa
Timur, sedangkan model SEM bertujuan untuk mengetahui apakah
terdapat autokorelasi spasial pada error model antara masing-
masing kabupaten/kota di Provinsi Jawa Timur. Pemodelan data
panel spasial merupakan metode analisis yang mengikutsertakan
dimensi ruang dan waktu, sehingga data PDRB diamati pada tiap-
tiap kabupaten dan kota di Provinsi Jawa Timur secara berkala dari
tahun ke tahun selama tahun 2010-2016. Terdapat tiga pendekatan
dalam pemodelan data panel, yaitu model gabungan (pooled),
model pengaruh tetap (fixed effects) dan model pengaruh acak
(random effects). Sementara pada pemodelan data panel spasial
terdapat beberapa pendekatan yang merupakan kombinasi dari
ketiga pendekatan pada pemodelan data panel dengan model SAR
dan SEM.
Model yang dihasilkan diharapkan mampu menghasilkan
pengaruh efek spasial yang positif dan tidak terdapat kasus
multikolinearitas pada masing-masing variabel yang diduga
mempengaruhi PDRB. Hal ini ditandai dengan tanda koefisien
yang sesuai dengan nilai korelasi. Sehingga apabila terjadi
perbedaan tanda antara korelasi dan model yang dihasilkan, maka
diindikasikan terjadi kasus multikolinearitas pada prediktor.
Ekonometrika adalah pembuktian teori ekonomi dengan
69
perhitungan statistika, sehingga dalam penelitian ini akan dicari
model terbaik dari pemodelan PDRB dengan pendekatan panel
spasial yang sesuai dengan teori ekonomi dan memenuhi asumsi
klasik. Hasil estimasi parameter dengan model SAR dan SEM
dengan matriks pembobot queen dan customize pada pooled, fixed
effects dan random effects model dapat dilihat pada Tabel 4.4
hingga Tabel 4.7.
70
Tabel 4.4 Estimasi Parameter Model SAR dengan Matriks Pembobot Queen Contiguity
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -4,92699 0,00000
x1 (pinjaman sektor pertanian) -0,08087 0,00149 -0,00063 0,869049 -0,00059 0,87689
x2 (pinjaman sektor industri pengolahan) 0,22281 0,00000 -0,00549 0,112212 -0,00519 0,13741
x3 (pinjaman sektor PHR) 0,05297 0,15443 0,00423 0,330473 0,00425 0,33068
x4 (realisasi belanja daerah) 0,34353 0,00015 0,08144 0,000000 0,08862 0,00000
x5 (jumlah penduduk bekerja) 0,65429 0,00000 0,06107 0,116522 0,11353 0,00000
x6 (rata-rata lama sekolah) 0,85654 0,00003 0,25826 0,001099 0,26085 0,00087
x7 (rasio elektrifikasi) -0,59088 0,00076 -0,02887 0,116058 -0,03108 0,09620
-0,07696 0,09398 0,70399 0,000000 0,67496 0,00000
0,01149 0,00000
R2 0,84170 0,99950 0,99940
Corr2 0,83500 0,92530 0,16810
S2 0,14760 0,00050 0,00060
71
Tabel 4.5 Estimasi Parameter Model SEM dengan Matriks Pembobot Queen Contiguity
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -5,08797 0,00000
x1 (pinjaman sektor pertanian) -0,09346 0,00002 0,00167 0,80504 0,00351 0,49328
x2 (pinjaman sektor industri pengolahan) 0,21719 0,00000 -0,00007 0,99027 -0,00351 0,46443
x3 (pinjaman sektor PHR) 0,06878 0,04939 0,02124 0,00575 0,00783 0,17281
x4 (realisasi belanja daerah) 0,23914 0,00094 0,24838 0,00000 0,26564 0,00000
x5 (jumlah penduduk bekerja) 0,71133 0,00000 0,22181 0,00082 0,39647 0,00000
x6 (rata-rata lama sekolah) 0,81930 0,00000 0,57279 0,00002 0,46921 0,00000
x7 (rasio elektrifikasi) -0,54352 0,00041 -0,01045 0,73918 -0,04608 0,06929 -0,23607 0,00088 -0,23607 0,00088 0,56097 0,00000
492,65795 0,00000
R2 0,83850 0,99870 0,99890
Corr2 0,83860 0,90810 0,64680
S2 0,13150 0,00180 0,00100
72
Tabel 4.6 Estimasi Parameter Model SAR dengan Matriks Pembobot Customize
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -3,87632 0,00009
x1 (pinjaman sektor pertanian) -0,07808 0,00185 -0,00060 0,87675 -0,00065 0,86536 x2 (pinjaman sektor industri pengolahan) 0,23554 0,00000 -0,00545 0,11876 -0,00526 0,13157 x3 (pinjaman sektor PHR) 0,04781 0,19095 0,00439 0,31708 0,00442 0,30954 x4 (realisasi belanja daerah) 0,33214 0,00017 0,08198 0,00000 0,08836 0,00000 x5 (jumlah penduduk bekerja) 0,64093 0,00000 0,06516 0,09708 0,11286 0,00000 x6 (rata-rata lama sekolah) 0,87687 0,00001 0,25244 0,00157 0,26219 0,00082 x7 (rasio elektrifikasi) -0,63307 0,00023 -0,03160 0,08823 -0,03343 0,07233
-0,14996 0,00062 0,70698 0,00000 0,67897 0,00000
0,00979 0,00000
R2 0,84730 0,99950 0,99940
Corr2 0,83450 0,92530 0,16230
S2 0,14240 0,00060 0,00060
73
Tabel 4.7 Estimasi Parameter Model SEM dengan Matriks Pembobot Customize
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -5,08264 0,00000
x1 (pinjaman sektor pertanian) -0,09224 0,00002 0,00171 0,80013 0,00368 0,47576 x2 (pinjaman sektor industri pengolahan) 0,21585 0,00000 0,00003 0,99644 -0,00335 0,48532 x3 (pinjaman sektor PHR) 0,07088 0,04352 0,02103 0,00623 0,00797 0,16492 x4 (realisasi belanja daerah) 0,23932 0,00096 0,24865 0,00000 0,26765 0,00000 x5 (jumlah penduduk bekerja) 0,70555 0,00000 0,22108 0,00085 0,40371 0,00000 x6 (rata-rata lama sekolah) 0,79562 0,00001 0,57488 0,00002 0,42215 0,00003 x7 (rasio elektrifikasi) -0,52459 0,00066 -0,01235 0,69135 -0,04694 0,07341 -0,23607 0,00106 -0,23607 0,00106 0,57325 0,00000
442,42801 0,00000
R2 0,83870 0,99870 0,99890
Corr2 0,83870 0,90810 0,66090
S2 0,13240 0,00180 0,00100
74
Hasil pemodelan panel spasial dengan bobot queen
contiguity dan bobot customize pada Tabel 4.4 hingga 4.7
menunjukkan bahwa terdapat ketidaksesuaian dalam hasil estimasi
dan signifikansi parameter model panel spasial. Terdapat tanda
estimasi parameter regresi yang bertentangan dengan tanda yang
diharapkan berdasarkan teori ekonomi dan penelitian-penelitian
sebelumnya, hasil estimasi parameter yang tidak sesuai dengan
teori ekonomi adalah variabel x1 (pinjaman yang diberikan pada
sektor pertanian, peternakan, kehutanan dan perikanan), x2
(pinjaman pada sektor industri pengolahan) dan x7 (rasio
elektrifikasi) baik pada pemodelan dengan SAR panel ataupun
SEM panel. Selain itu, pengujian terhadap parameter secara
individu menunjukkan bahwa variabel yang memiliki kontribusi
besar terhadap peningkatan PDRB di Jawa Timur tidak signifikan
pada taraf α=5% yakni variabel x2 (pinjaman pada sektor industri
pengolahan), hal ini dikarenakan kabupaten dan kota di Provinsi
Jawa Timur yang memiliki nilai PDRB tertinggi merupakan
kabupaten dan kota yang menjadi pusat industri di Jawa Timur.
Terdapat beberapa koefisien autokorelasi spasial yang tidak
signifikan ataupun bernilai negatif pada beberapa model panel
spasial dengan matriks pembobot queen contiguity ataupun
customize, sehingga hal tersebut tidak sesuai dengan teori yang
diharapkan. Hal-hal tersebut kemungkinan disebebkan adanya
kasus multikolinearitas antar variabel independen (prediktor).
Beberapa variabel independen yakni pinjaman yang diberikan pada
sektor pertanian, peternakan, sektor industri pengolahan, sektor
perdagangan hotel dan restoran serta belanja daerah diindikasikan
saling memiliki nilai korelasi yang tinggi. Multikolinearitas dapat
dideteksi dengan melihat nilai VIF (Variance Inflation Factor)
yang hasilnya disajikan pada Tabel 4.8.
Tabel 4.8 Nilai VIF Variabel Independen
Variabel VIF Variabel VIF
x1 2.762 x5 5.443
x2 2.710 x6 4.415
x3 3.361 x7 2.664
x4 4.293
75
Tabel 4.8 menunjukkan bahwa nilai VIF pada masing-
masing variabel independen bernilai kurang dari 10. Pendeteksian
multikolinearitas selain dengan nilai VIF juga dapat dilakukan
dengan menganalisis nilai korelasi dari masing-masing variabel
independen. Perhitungan dan pengujian nilai korelasi pearson pada
variabel independen yang diduga mempengaruhi PDRB di Jawa
Timur selama tahun 2010-2016 disajikan pada Tabel 4.9.
Tabel 4.9 Korelasi Pearson antar Variabel Independen
y x1 x2 x3 x4 x5 x6
x1 0,558
(0,000)
x2 0,746
(0,000)
0,484
(0,000)
x3 0,723
(0,000)
0,629
(0,000)
0,694
(0,000)
x4 0,761
(0,000)
0,661
(0,000)
0,521
(0,000)
0,728
(0,000)
x5 0,709
(0,000)
0,607
(0,000)
0,306
(0,000)
0,519
(0,000)
0,769
(0,000)
x6 0,106
(0,083)
0,151
(0,014)
0,496
(0,000)
0,307
(0,000)
-0,039
(0,532)
-0,413
(0,000)
x7 0,166
(0,007)
0,454
(0,000)
0,393
(0,000)
0,403
(0,000)
0,275
(0,000)
-0,070
(0,252)
0,671
(0,000)
Tabel 4.9 menunjukkan bahwa terdapat indikasi adanya
kasus multikolinearitas antar variabel independen, hal ini dapat
dilihat pada variabel x6 (rata-rata lama sekolah) dan x7 (rasio
elektrifikasi) yang memiliki nilai korelasi yang lebih tinggi dengan
variabel independen lain dibandingkan dengan nilai korelasinya
terhadap variabel dependen (PDRB). Kasus multikolinearitas
menyebabkan terjadinya ketidaksesuaian dalam tanda estimasi dan
signifikansi parameter. Pemodelan panel spasial dalam analisis
sebelumnya menunjukkan bahwa terdapat pula ketidaksesuaian
pada estimasi parameter dari variabel x1 (pinjaman yang diberikan
pada sektor pertanian, peternakan, kehutanan dan perikanan) dan
x2 (pinjaman pada sektor industri pengolahan). Estimasi parameter
76
dari variabel x1 dan x2 bertanda negatif dan pengujian signifikansi
parameter menunjukkan bahwa variabel x2 (pinjaman pada sektor
industri pengolahan) tidak signifikan, hal ini bertentangan secara
teoritis. Menurut Setiawan dan Kusrini (2010), salah satu cara
untuk mengatasi multikolinearitas adalah dengan mengeluarkan
satu atau lebih variabel independen yang terindikasi menyebabkan
terjadinya multikolinearitas. Berdasarkan pertimbangan nilai
korelasi, variabel independen yang dikeluarkan dari model pada
pemodelan selanjutnya adalah variabel x6 (rata-rata lama sekolah)
dan x7 (rasio elektrifikasi). Variabel pinjaman yang diberikan oleh
bank (x1, x2 dan x3) juga memiliki korelasi yang tinggi satu sama
lain. Pemilihan model panel spasial terbaik pada analisis
selanjutnya dilakukan dengan menggabungkan variabel pinjaman
yang diberikan oleh bank (x1, x2 dan x3) dan menghilangkan
variabel lain yang diduga menyebabkan multikolinearitas yakni x6
(rata-rata lama sekolah) dan x7 (rasio elektrifikasi) dan juga
mempertimbangkan kemungkinan mengeluarkan kombinasi dari
variabel-variabel tersebut.
4.2.4 Pemilihan Model Terbaik dalam Pemodelan PDRB di
Jawa Timur dengan Menghilangkan Variabel yang
Terindikasi Menyebabkan Terjadinya Multikolinearitas
Hasil pemodelan panel spasial dengan melibatkan semua
variabel independen pada sub-bab sebelumnya menunjukkan
bahwa terdapat ketidaksesuaian pada hasil estimasi dan
signifikansi parameter karena terdapat kasus multikolinearitas
antar variabel independen. Sehingga akan dilakukan pemodelan
panel spasial dengan tidak mengikutsertakan variabel independen
yang diindikasi menyebabkan kasus multikolinearitas yakni
variabel x6 (rata-rata lama sekolah) dan x7 (rasio elektrifikasi) serta
menjumlahkan variabel pinjaman yang diberikan oleh bank pada 3
sektor utama di Provinsi Jawa Timur (x1, x2 dan x3) hingga
diperoleh model terbaik pada masing-masing model panel spasial
baik dengan matriks queen contiguity ataupun matriks pembobot
customize. Sebelum memodelkan PDRB, terlebih dahulu menguji
kembali dependensi spasial dengan menggunakan uji Lagrange
77
Multiplier (LM) dan Robust LM untuk melihat apakah model
dengan 3 variabel independen tersebut mengandung efek spasial.
Pengujian dependensi spasial dilakukan dengan meggunakan
matriks pembobot queen contiguity dan customize. Hasil pengujian
dependensi spasial terhadap pemodelan PDRB dengan 3 variabel
independen disajikan pada Tabel 4.10.
Tabel 4.10 Uji Lagrange Multiplier (LM)
Queen Contiguity
Uji LM
Pooled
Regression
Spatial Fixed
Effects
Spatial Random
Effects
LM P-
value LM
P-
value LM
P-
value
LM lag 0,016 0,899 125,328 0,000 29,918 0,000
Robust
LM lag
3,450 0,063 46,500 0,000 0,159 0,690
LM error 3,156 0,076 78,972 0,000 29,764 0,000
Robust
LM error
6,591 0,010 0,145 0,704 0,005 0,944
Customize
Uji LM
Pooled
Regression
Spatial Fixed
Effects
Spatial Random
Effects
LM P-
value LM
P-
value LM
P-
value
LM lag 1,562 0,221 125,752 0,000 28,003 0,000
Robust
LM lag
0,000 0,988 45,245 0,000 0,021 0,885
LM error 3,655 0,056 80,542 0,000 28,079 0,000
Robust
LM error
2,093 0,148 0,036 0,850 0,098 0,755
Tabel 4.10 menunjukkan bahwa pengujian Lagrange
Multiplier dengan matriks pembobot queen contiguity dan
customize memberikan hasil yang berbeda. Terdapat dependensi
spasial yang signifikan pada variabel dependen (respon) dengan
matriks pembobot queen contiguity dan customize pada model
78
spatial fixed effects dan random effects dengan α=5%, kecuali pada
pengujian robust LM pada model random effects. Dependensi
spasial pada variabel dependen tidak signifikan pada pengujian LM
lag dan error pada model pooled regression baik dengan matriks
pembobot queen contiguity atau customize. Uji Lagrange
Multiplier menunjukkan bahwa terdapat dependensi spasial pada
error model, pengujian terhadap LM error signifikan pada taraf
α=5% dalam model fixed effects dan random effects, sedangkan
pengujian terhadap robust LM error tidak signifikan dalam model
spatial fixed effects dan random effects. Hasil uji LM menunjukkan
bahwa terdapat indikasi dependensi spasial pada variabel dependen
dan error model dengan menggunakan 3 variabel independen,
sehingga tetap dilakukan pemodelan dengan model SAR dan SEM
terhadap PDRB di setiap kabupaten/kota di Provinsi Jawa Timur
dengan menggunakan 3 variabel independen yakni jumlah
pinjaman yang diberikan oleh bank pada 3 sektor utama di Provinsi
Jawa Timur (x1, x2 dan x3), realisasi belanja daerah (x4) dan jumlah
penduduk berusia 15tahun keatas yang bekerja (x5). Model-model
terbaik pada masing-masing model panel spasial untuk pemodelan
PDRB dengan 3 variabel independen menggunakan pembobot
spasial queen contiguity dan customize ditampilkan pada Tabel
4.11 hingga Tabel 4.14.
79
Tabel 4.11 Estimasi Parameter Model SAR 3 Variabel Independen dengan Matriks Pembobot Queen Contiguity
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -4,50618 0,00000
x1+ x2+x3 (pinjaman yang diberikan
oleh bank pada 3 sektor utama Jawa
Timur)
0,47369 0,00000 0,01273 0,04319 0.01233 0,05067
x4 (realisasi belanja daerah) 0,00863 0,92305 0,08847 0,00000 0,09068 0,00000
x5 (jumlah penduduk bekerja) 0,47711 0,00000 0,02845 0,46089 0,11069 0,00000
0,00598 0,90921 0,70298 0,00000 0,68696 0,00000
0,01149 0,00000
R2 0,82190 0,99950 0,99940
Corr2 0,82210 0,92340 0,12400
S2 0,16610 0,00060 0,00060
80
Tabel 4.12 Estimasi Parameter Model SEM 3 Variabel Independen dengan Matriks Pembobot Queen Contiguity
Variabel
Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -4,01039 0,00000
x1+ x2+x3 (pinjaman yang diberikan
oleh bank pada 3 sektor utama Jawa
Timur)
0,49521 0,00000 0,05261 0,00000 0,02785 0,00229
x4 (realisasi belanja daerah) -0,08641 0,23912 0,28078 0,00000 0,28639 0,00000
x5 (jumlah penduduk bekerja) 0,51863 0,00000 0,16948 0,01019 0,40324 0,00000 -0,23607 0,00088 -0,23607 0,00088 0,55128 0,00000
449,83213 0,00000
R2 0,82090 0,99860 0,99880
Corr2 0,82090 0,90480 0,60930
S2 0,16140 0,00180 0,00110
81
Tabel 4.13 Estimasi Parameter Model SAR 3 Variabel Independen dengan Matriks Pembobot Customize
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -3,82765 0,00000
x1+ x2+x3 (pinjaman yang diberikan oleh
bank pada 3 sektor utama Jawa Timur)
0,49554 0,00000 0,01249 0,04883 0,01327 0,04021
x4 (realisasi belanja daerah) 0,00628 0,94355 0,08649 0,00000 0,09562 0,00000 x5 (jumlah penduduk bekerja) 0,46315 0,00000 0,03186 0,41181 0,11933 0,00000 -0,05996 0,20101 0,71096 0,00000 0,66998 0,00000
0,01149 0,00000
R2 0,82300 0,99950 0,99930
Corr2 0,82110 0,92320 0,17790
S2 0,16490 0,00060 0,00060
82
Tabel 4.14 Estimasi Parameter Model SEM 3 Variabel Independen dengan Matriks Pembobot Customize
Variabel Pooled Fixed effects Random effects
Koefisien P-value Koefisien P-value Koefisien P-value
Intercept -3,97243 0,00000
x1+ x2+x3 (pinjaman yang diberikan
oleh bank pada 3 sektor utama Jawa
Timur)
0,49029 0,00000 0,05252 0,00000 0,02759 0,00253
x4 (realisasi belanja daerah) -0,08106 0,26785 0,28086 0,00000 0,28359 0,00000 x5 (jumlah penduduk bekerja) 0,51624 0,00000 0,16915 0,01037 0,40919 0,00000 -0,23607 0,00106 -0,23607 0,00106 0,55941 0,00000
365,79569 0,00000
R2 0,82100 0,99860 0,99880
Corr2 0,82100 0,90480 0,62040
S2 0,16110 0,00180 0,00110
83
Tabel 4.11 hingga 4.14 menunjukkan bahwa model spasial
yang menghasilkan estimasi koefisien autokorelasi spasial yang
sesuai dengan teori atau bertanda positif dan signifikan pada taraf
α=5% adalah pemodelan dengan SAR panel, sedangkan
pemodelan dengan SEM panel menghasilkan estimasi koefisien
autokorelasi spasial yang bertanda negatif dalam pooled regression
dan fixed effects. Hasil estimasi parameter dari ketiga variabel
independen yakni jumlah pinjaman yang diberikan oleh bank pada
3 sektor utama di Provinsi Jawa Timur (x1, x2 dan x3), realisasi
belanja daerah (x4) dan jumlah penduduk berusia 15tahun keatas
yang bekerja (x5) bernilai positif dan signifikan terhadap PDRB di
Provinsi Jawa Timur pada pemodelan dengan menggunakan model
SAR random effects baik dengan menggunakan bobot queen
contiguity ataupun bobot customize, jumlah variabel yang
signifikan pada taraf α=5% pada pemodelan dengan SAR random
effects lebih banyak dibandingkan dengan fixed effects walaupun
nilai corr2 dari pemodelan SAR random effects tidak lebih tinggi
dibandingkan dengan model fixed effects. Nilai R2 yang dihasilkan
dari pemodelan SAR random effects dengan bobot queen
contiguity lebih tinggi dibandingkan dengan bobot customize,
selain itu estimasi koefisien autokorelasi spasial yang dihasilkan
dari bobot queen contiguity juga lebih tinggi dibandingkan dengan
bobot customize. Sehingga, model SAR random effects dengan
matriks pembobot queen contiguity untuk memodelkan PDRB di
setiap kabupaten/kota di Provinsi Jawa Timur adalah sebagai
berikut : 38
1 2 3 4 5
1
ˆln 0,68696 ln 0,01233ln( ) 0,09068ln 0,11069lnit ij jt it it it it it i
j
y w y x x x x x =
= + + + + + +
Pemodelan PDRB di setiap kabupaten/kota di Provinsi Jawa
Timur dengan model SAR random effects telah terbentuk dengan
baik, namun perlu dilakukan pengujian asumsi klasik atau asumsi
IIDN (Identik, Independen dan Berdistribusi Normal) terhadap
residual untuk mengetahui apakah model sudah memenuhi syarat
ekonometrika sebelum dilakukan interpretasi model.
84
4.2.5 Pengujian Asumsi Residual IIDN
Asumsi yang harus dipenuhi dalam pemodelan regresi
adalah asumsi residual IIDN (Identik, Independen dan
Berdistribusi Normal). Hasil pemeriksaan dan pengujian terhadap
residual dari hasil pemodelan dengan model SAR random effects
adalah sebagai berikut :
a. Pengujian Asumsi Residual Identik
Pemeriksaan terhadap asumsi residual identik dilakukan
dengan melihat plot residuals vs fits kemudian dilanjutkan pada
pengujian dengan uji Glejser. Plot residuals vs fits yang dihasilkan
dari model SAR random effects disajikan pada Gambar 4.13.
373635343332313029
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
fits
resi
Gambar 4.13 Plot Residual Vs Fits
Plot antara residual vs fits pada Gambar 4.13 menunjukkan
bahwa secara visual plot-plot residual tidak tersebar secara acak,
sehingga dapat dikatakan residual tidak identik. Hal tersebut perlu
dibuktikan dengan pengujian terhadap asumsi residual identik
dengan uji Glejser. Uji Glejser dilakukan dengan cara
meregresikan absolut residual terhadap variabel independen.
Pengujian terhadap asumsi residual identik dengan uji Glejser
menghasilkan nilai statistik uji F sebesar 5,39 dan p-value sebesar
0.001, Fhitung yang dihasilkan bernilai lebih besar dibandingkan
dengan F(0.05,3,262) (2,63) serta p-value bernilai kurang dari taraf
85
signifikan yang digunakan yaitu sebesar 5%, sehingga dapat
dikatakan bahwa residual hasil pemodelan terhadap PDRB di
setiap kabupaten/kota di Provinsi Jawa Timur selama periode
2010-2016 dengan SAR random effects tidak identik.
b. Pengujian Asumsi Residual Independen
Pemeriksaan terhadap asumsi residual independen
dilakukan dengan melihat plot ACF kemudian dilanjutkan pada
pengujian dengan uji Durbin Watson. Plot ACF dari residual yang
dihasilkan dari model SAR random effects disajikan pada Gambar
4.14.
605550454035302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for resi(with 5% significance limits for the autocorrelations)
Gambar 4.14 Plot ACF
Plot ACF pada Gambar 4.14 menunjukkan bahwa terdapat
beberapa lag yang keluar dari batas-batas signifikansi yang
mengindikasi residual tidak independen, hal ini diperkuat dengan
uji autokorelasi menggunakan uji autokorelasi Durbin Watson.
Pengujian Durbin Watson pada residual menghasilkan nilai Durbin
Watson Statistic sebesar 2,132 dengan k=3 dan N=266; dL=1,74
serta dU=1,80. Nilai d berada diantara UU ddd − 4 , sehingga
dapat disimpulkan bahwa residual hasil pemodelan terhadap PDRB
di setiap kabupaten/kota di Provinsi Jawa Timur selama periode
2010-2016 dengan SAR random effects independen.
86
c. Pengujian Asumsi Residual Distribusi Normal
Pemeriksaan terhadap asumsi residual distribusi normal
dilakukan dengan melihat normal probability plot kemudian
dilanjutkan pada pengujian dengan uji Kolmogorov Smirnov.
Normal probability plot dan uji Kolmogorov Smirnov dari residual
yang dihasilkan dari model SAR random effects disajikan pada
Gambar 4.15.
0.200.150.100.050.00-0.05-0.10
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
resi
Pe
rce
nt
Mean 0.0004521
StDev 0.02430
N 266
KS 0.092
P-Value <0.010
Probability Plot of resiNormal
Gambar 4.15 Uji Kolmogorov Smirnov
Gambar 4.15 menginformasikan bahwa plot-plot residual
tidak menyebar mengikuti garis normal, selain itu nilai statistik uji
KS yang dihasilkan adalah sebesar 0,092 dengan p-value kurang
dari 0,01, sehingga dapat disimpulkan bahwa residual hasil
pemodelan terhadap PDRB di setiap kabupaten/kota di Provinsi
Jawa Timur selama periode 2010-2016 dengan SAR random
effects tidak berdistribusi normal.
Residual hasil pemodelan terhadap PDRB di setiap
kabupaten/kota di Provinsi Jawa Timur selama periode 2010-2016
dengan SAR random effects tidak memenuhi asumsi identik dan
tidak berdistribusi normal, sehingga belum dapat memenuhi
kriteria ekonometrika. Sehingga analisis selanjutnya adalah
meregresikan PDRB di setiap kabupaten/kota di Provinsi Jawa
87
Timur dengan melakukan pengurangan tahun pengamatan, data ini
disebut dengan data trial.
4.2.6 Pemodelan PDRB di Provinsi Jawa Timur dengan SAR
Random Effects menggunakan Data Trial
Tidak terpenuhinya asumsi residual IIDN pada pemodelan
PDRB dengan SAR random effects pada analisis sebelumnya dapat
diatasi dengan mengurangi tahun pengamatan. Setelah dilakukan
berbagai trial, diperoleh bahwa model terbaik adalah meregresikan
PDRB di setiap kabupaten/kota di Provinsi Jawa Timur selama
tahun 2012 hingga 2015 (4 tahun) dengan variabel independen
jumlah pinjaman yang diberikan oleh bank pada 3 sektor utama di
Provinsi Jawa Timur (x1, x2 dan x3), realisasi belanja daerah (x4) dan
jumlah penduduk berusia 15tahun keatas yang bekerja (x5).
Pemodelan PDRB pada tahun 2016 dapat menyebabkan tidak
terpenuhinya asumsi dikarenakan variabel independen jumlah
penduduk berusia 15 tahun keatas yang bekerja (x5) pada tahun
2016 hanya diestimasi dengan metode trend linear karena data
setiap kabupaten/kota di Provinsi Jawa Timur tidak tersedia pada
tahun tersebut. Data tahun 2012 hingga tahun 2015 dianggap dapat
merepresentasikan keadaan perekonomian Jawa Timur yang
sebenarnya. Hasil pemodelan PDRB di setiap kabupaten/kota di
Provinsi Jawa Timur dengan SAR random effects dan bobot queen
contiguity selama tahun 2012 hingga 2014 dengan 3 variabel
independen yang signifikan ditampilkan pada Tabel 4.15.
Tabel 4.15 Hasil Estimasi SAR Random Effects pada Data Trial Variabel Koefisien P-value
x1+ x2+x3 (pinjaman yang diberikan oleh
bank pada 3 sektor utama Jawa Timur)
0,05310 0,00002
x4 (realisasi belanja daerah) 0,04917 0,00121
x5 (jumlah penduduk bekerja) 0,13608 0,00000
0,64499 0,00000
0,01149 0,00000
R2 0,99970
Corr2 0,31130
S2 0,00030
88
Pemodelan PDRB di setiap kabupaten/kota di Provinsi
Jawa Timur selama tahun 2012-2015 dengan SAR random effects
menggunakan matriks pembobot queen contiguity pada tabel 4.15
menginformasikan bahwa variabel jumlah pinjaman yang
diberikan oleh bank pada 3 sektor utama di Provinsi Jawa Timur
(x1, x2 dan x3), realisasi belanja daerah (x4) dan jumlah penduduk
berusia 15tahun keatas yang bekerja (x5) berpengaruh secara
signifikan terhadap peningkatan PDRB di Provinsi Jawa Timur
pada taraf α=5%. Terdapat dependensi spasial yang signifikan pada
variabel dependen (PDRB) di kabupaten dan kota di Provinsi Jawa
Timur. Koefisien autokorelasi spasial bertanda positif dan
signifikan yang berarti bahwa peningkatan PDRB di suatu
kabupaten/kota memberikan kontribusi terhadap peningkatan lain
pada kabupaten/kota lain yang bersinggungan. Nilai R2 yang
dihasilkan sangat tinggi yaitu sebesar 99,97%, yang berarti bahwa
model dapat menjelaskan variabilitas dari variabel-variabel yang
ada didalamnya sebesar 99,97%, sedangkan 0,03% sisanya
dijelaskan oleh variabel lain diluar model sebagai komponen error.
Sehingga, model SAR random effects dengan matriks pembobot
queen contiguity untuk memodelkan PDRB di setiap
kabupaten/kota di Provinsi Jawa Timur tahun 2012-2015 adalah
sebagai berikut : 38
1 2 3 4 5
1
ˆln 0,64499 ln 0,05310ln( ) 0,04917ln 0,13608lnit ij jt it it it it it i
j
y w y x x x x x =
= + + + + + +
Pemodelan PDRB di setiap kabupaten/kota di Provinsi Jawa
Timur dengan model SAR random effects pada data trial (tahun
2012-2015) telah terbentuk dengan baik, namun perlu dilakukan
pengujian asumsi klasik atau asumsi IIDN (Identik, Independen
dan Berdistribusi Normal) terhadap residual untuk mengetahui
apakah model sudah memenuhi syarat ekonometrika sebelum
dilakukan interpretasi model.
4.2.7 Pengujian Asumsi Residual IIDN pada Data Trial
Asumsi yang harus dipenuhi dalam pemodelan regresi
adalah asumsi residual IIDN (Identik, Independen dan
Berdistribusi Normal). Hasil pemeriksaan dan pengujian terhadap
89
residual dari hasil pemodelan dengan model SAR random effects
pada data trial selama tahun 2012-2016 adalah sebagai berikut :
a. Pengujian Asumsi Residual Identik
Pemeriksaan terhadap asumsi residual identik dilakukan
dengan melihat plot residuals vs fits kemudian dilanjutkan pada
pengujian dengan uji Glejser. Plot residuals vs fits yang dihasilkan
dari model SAR random effects pada data trial disajikan pada
Gambar 4.16.
3332313029282726
0.075
0.050
0.025
0.000
-0.025
-0.050
yhat trial
resi tr
ial
Scatterplot of resi trial vs yhat trial
Gambar 4.16 Plot Residual Vs Fits Data Trial
Gambar 4.16 menunjukkan bahwa secara visual plot-plot
residual telah tersebar secara acak dan tidak membentuk pola
tertentu, sehingga dapat diindikasikan bahwa residual identik. Hal
tersebut perlu dibuktikan dengan pengujian terhadap asumsi
residual identik dengan uji Glejser. Uji Glejser dilakukan dengan
cara meregresikan absolut residual terhadap variabel independen.
Pengujian terhadap asumsi residual identik dengan uji Glejser
menghasilkan nilai statistik uji F sebesar 2,66 dan p-value sebesar
0.050, Fhitung yang dihasilkan bernilai lebih kecil dibandingkan
dengan F(0.05,3,148) (2,6657) serta p-value bernilai sama dengam taraf
signifikan yang digunakan yaitu sebesar 5%, sehingga dapat
90
dikatakan bahwa residual hasil pemodelan terhadap PDRB di
setiap kabupaten/kota di Provinsi Jawa Timur dengan data trial
selama periode 2012-2015 dengan SAR random effects telah
memenuhi asumsi identik.
b. Pengujian Asumsi Residual Independen
Pemeriksaan terhadap asumsi residual independen
dilakukan dengan melihat plot ACF kemudian dilanjutkan pada
pengujian dengan uji Durbin Watson. Plot ACF dari residual yang
dihasilkan dari model SAR random effects pada data trial disajikan
pada Gambar 4.17.
35302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for resi trial(with 5% significance limits for the autocorrelations)
Gambar 4.17 Plot ACF Residual Data Trial
Plot ACF pada Gambar 4.17 menunjukkan bahwa tidak
terdapat lag yang keluar dari batas-batas signifikansi yang
mengindikasi bahwa residual telah independen, hal ini diperkuat
dengan uji autokorelasi menggunakan uji autokorelasi Durbin
Watson. Pengujian Durbin Watson pada residual menghasilkan
nilai Durbin Watson Statistic sebesar 2,05135 dengan k=3 dan
N=152; dL=1,695 serta dU=1,775. Nilai d berada diantara
91
UU ddd − 4 , sehingga dapat disimpulkan bahwa residual hasil
pemodelan terhadap PDRB di setiap kabupaten/kota di Provinsi
Jawa Timur data trial selama periode 2012-2015 dengan SAR
random effects telah independen.
c. Pengujian Asumsi Residual Distribusi Normal
Pemeriksaan terhadap asumsi residual distribusi normal
dilakukan dengan melihat normal probability plot kemudian
dilanjutkan pada pengujian dengan uji Kolmogorov Smirnov.
Normal probability plot dan uji Kolmogorov Smirnov dari residual
yang dihasilkan dari model SAR random effects disajikan pada
Gambar 4.18.
0.0750.0500.0250.000-0.025-0.050
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
resi trial
Pe
rce
nt
Mean 0.0003332
StDev 0.01693
N 152
KS 0.064
P-Value 0.137
Probability Plot of resi trialNormal
Gambar 4.18 Uji Kolmogorov Smirnov Data Trial
Gambar 4.18 menginformasikan bahwa plot-plot residual
telah menyebar mengikuti garis normal, selain itu nilai statistik uji
KS yang dihasilkan adalah sebesar 0,064 dengan p-value kurang
dari 0,137, sehingga dapat disimpulkan bahwa residual hasil
pemodelan terhadap PDRB di setiap kabupaten/kota di Provinsi
Jawa Timur data trial selama periode 2012-2015 dengan SAR
random effects telah berdistribusi normal.
92
Residual hasil pemodelan PDRB di setiap kabupaten/kota di
Provinsi Jawa Timur dengan data trial selama tahun 2012-2015
menggunakan model SAR random effects telah memenuhi asumsi
IIDN (identik, independent dan berdistribusi normal), selain itu
koefisien autokorelasi spasial serta variabel-variabel yang ada
didalam model yakni jumlah pinjaman yang diberikan oleh bank
pada 3 sektor utama di Provinsi Jawa Timur (x1, x2 dan x3), realisasi
belanja daerah (x4) dan jumlah penduduk berusia 15tahun keatas
yang bekerja (x5) berpengaruh secara signifikan terhadap
peningkatan PDRB di Provinsi Jawa Timur, sehingga dapat
dilanjutkan pada interpretasi model.
4.2.8 Interpretasi Model
Pemodelan panel spasial terbaik terhadap PDRB di Provinsi
Jawa Timur adalah dengan model SAR random effects
menggunakan matriks pembobot queen contiguity yang telah
memuat semua variabel independen yang signifikan serta
memenuhi asumsi residual IIDN adalah sebagai berikut : 38
1 2 3 4 5
1
ˆln 0,64499 ln 0,05310ln( ) 0,04917ln 0,13608lnit ij jt it it it it it i
j
y w y x x x x x =
= + + + + + +
Dari model tersebut dapat diketahui bahwa meningkatnya
jumlah pinjaman yang diberikan oleh bank pada 3 sektor utama di
Provinsi Jawa Timur (x1, x2 dan x3) di suatu kabupaten/kota di
Provinsi Jawa Timur memiliki pengaruh positif terhadap
peningkatan PDRB di kabupaten/kota tersebut dengan elastisitas
sebesar 0,0531. Artinya, apabila dalam proses pertumbuhan
ekonomi besarnya pinjaman yang diberikan oleh bank pada 3
sektor utama (pertanian, industri pengolahan serta perdagangan
hotel dan restoran) pada kabupaten/kota tersebut bertambah
sebesar 1% maka akan diperoleh tambahan output pertumbuhan
ekonomi berupa PDRB sebesar 0,0531% (jika input dari variabel
lain konstan). Variabel realisasi realisasi belanja daerah (x4) juga
memiliki pengaruh positif yang signifikan terhadap peningkatan
PDRB di suatu kabupaten/kota di Provinsi Jawa Timur dengan
elastisitas sebesar 0,04917. Hal tersebut berarti bahwa
meningkatnya realisasi belanja daerah dalam proses pertumbuhan
93
ekonomi di suatu kabupaten/kota sebesar 1% akan meningkatkan
output pertumbuhan ekonomi berupa PDRB 0,04917% (jika input
variabel lain konstan).
Variabel independen lain yang berpengaruh secara positif
dan signifikan terhadap peningkatan PDRB di suatu kabupaten
atau kota di Provinsi Jawa Timur adalah jumlah penduduk berusia
15tahun keatas yang bekerja (x5) dengan elastisitas sebesar
0,13608, artinya apabila dalam proses pertumbuhan ekonomi
banyaknya penduduk berusia 15tahun keatas yang bekerja pada
kabupaten/kota tersebut bertambah sebesar 1% maka akan
diperoleh tambahan output pertumbuhan ekonomi berupa PDRB
sebesar 0,13608% (jika input dari variabel lain konstan). Penulisan
model PDRB untuk masing-masing kabupaten/kota pada
penelitian ini hanya menunjukkan kabupaten/kota di Provinsi Jawa
Timur yang memiliki nilai PDRB yang tertinggi di Provinsi Jawa
Timur yakni Kota Surabaya, Kabupaten Sidoarjo, Kabupaten
Pasuruan, Kabupaten Gresik dan Kota Kediri yang mana kelima
wilayah tersebut merupakan sentra industri di Jawa Timur. Adapun
model PDRB pada kelima kabupaten/kota tersebut adalah :
1. Kota Surabaya :
, 1, , 2, , 3, ,
4, , 5, ,
ˆln 0,64499ln 0,64499ln 0,05310ln( )
0,04917 ln 0,13608ln
Surabaya t Gresik Sidoarjo Surabaya t Surabaya t Surabaya t
Surabaya t Surabaya t Surabaya
y y y x x x
x x
= + + + +
+ + +
2. Kota Sidoarjo :
, . . ker
1, , 2, , 3, , 4, , 5, ,
ˆln 0,64499ln 0,64499ln 0,64499ln 0,64499ln
0,05310ln( ) 0,04917ln 0,13608ln
Sidoarjo t Gresik Surabaya Kab pasuruan kab mojo to
Sidoarjo t Sidoarjo t Sidoarjo t Sidoarjo t Sidoarjo t
Si
y y y y y
x x x x x
= + + + +
+ + + +
+ doarjo
3. Kabupaten Gresik :
, . ker
1, , 2, , 3, , 4, , 5, ,
ˆln 0,64499ln 0,64499ln 0,64499ln 0,64499ln
0,05310ln( ) 0,04917 ln 0,13608ln
Gresik t Sidoarjo Surabaya Lamongan kab mojo to
Gresik t Gresik t Gresik t Gresik t Gresik t Gresik
y y y y y
x x x x x
= + + + +
+ + + + +
4. Kabupaten Pasuruan :
. , . . ker
.Pr 1, . , 2, . , 3, . , 4
ˆln 0,64499ln 0,64499ln 0,64499ln 0,64499ln
0,64499ln 0,05310ln( ) 0,04917ln
Kab pasuruan t Sidoarjo Batu Kab Malang Kab mojo to
Kab obolinggo Kab pasuruan t Kab pasuruan t Kab pasuruan t
y y y y y
y x x x x
= + + + +
+ + + + , . ,
5, . , .0,13608ln
Kab pasuruan t
Kab pasuruan t Kab pasuruanx
+
+
5. Kota Kediri :
94
, . 1, . , 2, . , 3, . , 4, . ,
5, . , .
ˆln 0,64499ln 0,05310ln( ) 0,04917 ln
0,13608ln
KotaKediri t Kab Kediri Kab Kediri t Kab Kediri t Kab Kediri t Kab Kediri t
Kab Kediri t Kab Kediri
y y x x x x
x
= + + + + +
+
Berdasarkan model tersebut dapat diketahui bahwa terdapat
dependensi spasial antara kabupaten dan kota di Provinsi Jawa
Timur yang memiliki nilai PDRB yang tinggi dan terletak saling
berdekatan. Kota Surabaya merupakan pusat perekonomian di
Provinsi Jawa Timur dan merupakan kota dengan PDRB tertinggi
di Jawa Timur. Model pertumbuhan ekonomi dengan SAR random
effects menggunakan matriks pembobot queen contiguity
menunjukkan bahwa PDRB di Kota Surabaya sangat berkaitan
dengan input pertumbuhan ekonomi dari 2 kabupaten di sekitarnya
yakni Kabupaten Gresik dan Sidoarjo. Pertumbuhan ekonomi pada
kabupaten/kota lain di Provinsi Jawa Timur juga dipengaruhi oleh
input pertumbuhan ekonomi dari kabupaten/kota lain yang terletak
saling berdekatan. Matriks pembobot queen contiguity
memberikan hasil autokorelasi spasial yang lebih signifikan
dibandingkan dengan matriks pembobot customize dalam
memodelkan PDRB di Provinsi Jawa Timur. Hal ini juga sesuai
dengan penelitian Karim pada tahun 2013 untuk memodelkan
PDRB sektor industri di Provinsi Jawa Timur dengan pendekatan
ekonometrika spasial menggunakan model SDEM (Spatial Durbin
Error Model), penelitian Utami pada tahun 2015 yang
memodelkan PDRB di Provinsi Bali dengan pendekatan
ekonometrika panel spasial menggunakan model SDEM random
effects serta penelitian Purba pada tahun 2016 untuk memodelkan
PDRB di Provinsi Sumatera Utara dengan pendekatan
ekonometrika panel spasial menggunakan model SAR pooled,
ketiga penelitian tersebut menghasilkan kesimpulan bahwa
pemodelan data panel spasial pada kasus pertumbuhan ekonomi
atau PDRB dengan matriks pembobot Queen contiguity
memberikan hasil yang lebih baik dibandingkan dengan matriks
pembobot customize.
95
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Analisis dan pembahasan pada bab sebelumnya
menghasilkan 2 kesimpulan dari sebagai berikut :
1. Pola persebaran PDRB di setiap kabupaten/kota di provinsi
Jawa Timur memiliki pola yang sama setiap tahunnya selama
tahun 2010-2016, akan tetapi nilai PDRBnya terus meningkat.
Kota Surabaya, Kabupaten Sidoarjo, Kabupaten Pasuruan,
Kabupaten Gresik dan Kota Kediri memberikan kontribusi
terbesar pada peningkatan PDRB di Jawa Timur, yang mana
kelima wilayah tersebut merupakan sentra industri di Jawa
Timur. Peningkatan PDRB diikuti oleh peningkatan variabel
independen yang diduga mempengaruhinya. Variabel yang
berkorelasi secara signifikan dengan PDRB di Jawa Timur
adalah variabel pinjaman sektor pertanian, peternakan,
kehutanan dan perikanan, pinjaman sektor industri, pinjaman
sektor perdagangan, hotel dan restoran, realisasi belanja
daerah, jumlah penduduk berusia 15 tahun keatas yang
bekerja serta rasio elektrifikasi.
2. PDRB di setiap kabupaten/kota di Provinsi Jawa Timur
memiliki autokorelasi spasial yang positif dan pola yang
mengelompok antar kabupaten/kota. Model terbaik yang
diperoleh adalah model SAR random effects menggunakan
matriks pembobot queen contiguity dengan melibatkan 3
variabel independen yang berpengaruh signifikan terhadap
PDRB yaitu jumlah pinjaman yang diberikan oleh bank pada
3 sektor utama di Provinsi Jawa Timur (x1, x2 dan x3), realisasi
belanja daerah (x4) dan jumlah penduduk berusia 15tahun
keatas yang bekerja (x5). Model terbaik yang terbentuk yang
telah memenuhi asumsi IIDN adalah sebagai berikut : 38
1 2 3 4 5
1
ˆln 0,64499 ln 0,05310ln( ) 0,04917ln 0,13608lnit ij jt it it it it it i
j
y w y x x x x x =
= + + + + + +
96
5.2 Saran
Faktor modal yang perlu ditingkatkan sebagai tujuan untuk
mengoptimalkan pertumbuhan ekonomi di setiap kabupaten/kota
di Provinsi Jawa Timur adalah pinjaman yang diberikan oleh Bank
pada 3 sektor ekonomi utama Provinsi Jawa Timur yaitu sektor
pertanian, pertanian, peternakan, kehutanan dan perikanan, sektor
industri pengolahan serta sektor perdagangan hotel dan restoran.
Ketiga sektor ekonomi utama Jawa Timur tersebut saling
berhubungan, sehingga peningkatan modal pada masing-masing
sektor dapat memberikan kontribusi terhadap peningkatan PDRB.
Faktor modal lain yang berpengaruh secara signifikan terhadap
peningkatan PDRB di setiap kabupaten/kota di Provinsi Jawa
Timur adalah realisasi belanja daerah, sehingga diharapkan
pemerintah mampu mengoptimalkan realisasi belanja daerah
terhadap pembangunan pada sektor-sektor ekonomi utama di Jawa
Timur untuk dapat meningkatkan pertumbuhan ekonomi melalui
output PDRB. Sedangkan, faktor tenaga kerja yang berpengaruh
signifikan terhadap peningkatan PDRB di Provinsi Jawa Timur
adalah jumlah penduduk berusia 15 tahun keatas yang bekerja,
sehingga pemerintah dan pihak penyedia tenaga kerja diharapkan
memperluas tenaga kerja dan memberikan pelatihan agar input
tenaga kerja yang optimal dapat memberikan kontribusi terhadap
pertumbuhan ekonomi melalui output PDRB.
97
DAFTAR PUSTAKA
Afrizal, F. 2013. Analisis Pengaruh Tingkat Investasi, Belanja
Pemerintah Dan Tenaga Kerja Terhadap PDRB di Provinsi
Sulawesi Selatan Tahun 2001-2011. Makassar : Universitas
Hasanuddin.
Agung, D.M. 2017. Pengaruh Kredit Perbankan Terhadap
Pertumbuhan Ekonomi Indonesia. Bandung : Universitas
Katholik Parahyangan.
Alatan, T.S.D & Basana, S.R. 2015. Pengaruh Pemberian Kredit
Terhadap Ekonomi Regional Jawa Timur. Surabaya :
Universitas Kristen Petra.
Anselin, L. 1988. Spatial Econometrics : Methods and Model.
Dordrecht: Academic Publishers.
Anselin, L. 2005. Exploring Spatial Data with GeoDa: A
Workbook. Champaign Urbana : University of Illinois.
Badan Pusat Statistik. 2014. Statistik Keuangan Pemerintah
Provinsi 2011-2014. Jakarta : Badan Pusat Statistik.
Badan Pusat Statistik. 2018. Rata-Rata Lama Sekolah. Diakses
pada tanggal 07 Maret 2018 pukul 21.23 WIB melalui
https://sirusa.bps.go.id/index.php?r=indikator/view&id=57
2.
Badan Pusat Statistik. 2018. Pengertian Tenaga Kerja. Diakses
pada tanggal 03 Maret 2018 pukul 21.44 WIB melalui
https://www.bps.go.id/subject/6/tenaga-kerja/.
Badan Pusat Statistik Provinsi Jawa Timur. 2015. Seri Analisis
Pembangunan Wilayah Provinsi Jawa Timur 2015.
Surabaya : Badan Pusat Statistik Provinsi Jawa Timur.
Badan Pusat Statistik Provinsi Jawa Timur. 2016. Produk
Domestik Regional Bruto Kabupaten/Kota Jawa Timur
Menurut Lapangan Usaha. Surabaya : Badan Pusat Statistik
Provinsi Jawa Timur.
Baltagi, B. H., Blien,U., & Wolf,K. 2010. A Dynamic Spatial Panel
Data Approach To The German Wage Curve. Center for
98
Policy Research-Syracuse University Working Paper.
No.126.
Bank Indonesia. 2015. Metadata Produk Domestik Regional Bruto.
http://www.bi.go.id/id/statistik/metadata/sekda/Documents/
Produk_Domestik_Regional_Bruto_(PDRB)_rev160615.pd
f diakses pada tanggal 07 Maret 2018 pukul 16.24 WIB.
Bank Indonesia. 2017. Statistik Ekonomi dan Keuangan Daerah
Provinsi Jawa Timur Februari 2017. Jakarta : Kantor Bank
Indonesia.
Barus, B. dan Wiradisastra U.S. 2000. Sistem Informasi Geografi;
Sarana Manajemen Sumberdaya. Bogor : Laboratorium
Pengindraan Jauh dan Kartografi Jurusan Tanah Fakultas
Pertanian IPB.
Bermas, O. 2014. Pengaruh Kredit Modal Kerja, Kredit Investasi,
Dan Kredit Konsumtif Bank Perkreditan Rakyat Terhadap
Produk Domestik Regional Bruto di Indonesia. Jakarta :
Universitas Gunadarma.
Damayanti, Y. A. 2008. Pengaruh Penerimaan Pemerintah
Daerah Terhadap Pertumbuhan Ekonomi Regional Di Jawa
Timur Periode 2001-2005. Surabaya : Universitas
Airlangga.
Daniel, W. W. 1989. Statistika Nonparametrik Terapan. Alex Tri
Kantjono W (Trans.). Jakarta: PT. Gramedia Pustaka Utama.
Debarsy, N. & Ertur, C. 2010. Testing for Spatial Autocorrelation
in a Fixed Effect Panel Data Model. Regional Science and
Urban Economics,40,453-470.
Draper, N. R., & Smith, H. 1998. Applied Regression Analysis (3rd
ed.). New York: John Willey & Sons, Inc.
Elhorst, J. P. 2003. Specification and Estimation of Spatial Panel
Data Models, International Regional Science Review 26,
Vol. 3.
Elhorst, J. P. 2013. Spatial Panel Data Models. Netherlands :
University of Groningen.
Fitriana, R. 2011. Pemodelan PDRB Sektor Pertanian, Industri,
Serta Perdagangan, Hotel, Dan Restoran (PHR) Propinsi
99
Jawa Timur Dengan Pendekatan Ekonometrika Panel
Spasial. Surabaya : Institut Teknologi Sepuluh Nopember.
Grasa, A. A. 1989. Econometrics Model Selection: A New
Approach. Dordrecht : Academic Publisher.
Gujarati, D.N., 2004. Basic Econometrics. New York: McGraw-
Hill Inc.
Karim, A. 2013. Pemodelan PDRB Sektor Industri di Provinsi
Jawa Timur dengan Pendekatan Ekonometrika Spasial.
Thesis. Surabaya : Institut Teknologi Sepuluh Nopember.
Kodoatie, R.J. 2003. Manajemen dan Rekayasa Infrastruktur.
Pustaka Pelajar : Yogyakarta.
Kusnandar, D., Pratama, R. & Rizki, S.W. 2018. Pendekatan
Ekonometrika Panel Spasial Untuk Pemodelan Produk
Domestik Regional Bruto di Kalimantan Barat. Buletin
Ilmiah Math. Stat. Dan Terapannya (Bimaster) Volume 07,
No. 1 (2018), hal 1 – 8. Pontianak : Universitas Tanjungpura.
Lee, J. &Wong, S.W.D. 2001. Statistical Analysis with Arcview
GIS. United Stated of America : John Willey & Sons, INC.
O’Sullivan, D. & Unwin, D.J. 2010. Geographic Information
Analysis, 2 nd Edition. New Jersey : John Wiley & Sons.
Prasetyo, R.B. & Firdaus, M. 2009. Pengaruh Infrastruktur pada
Pertumbuhan Ekonomi Wilayah di Indonesia. Bogor :
Institut Pertanian Bogor.
Prasetyo, R.B. 2010. Dampak Pembangunan Infrastruktur Dan
Aglomerasi Industri Terhadap Pertumbuhan Ekonomi
Regional Di Indonesia. Bogor : Sekolah Pascasarjana
Institut Pertanian Bogor.
Purba, O.N. 2016. Pemodelan Pertumbuhan Ekonomi Provinsi
Sumatera Utara dengan Pendekatan Ekonometrika Spasial
Data Panel. Jurnal Sains Dan Seni ITS Vol. 5 No. 2.
Setiawan dan Kusrini, D.E. 2010. Ekonometrika. Yogyakarta :
Andi.
Sukirno. 2006. Makroekonomi: Teori Pengantar. Jakarta : PT.
Raja Grafindo Persada.
100
Suyatno, T., Sukada, M., Chalik, Ananda, T. Y., & Marala, D.
1995. Dasar-Dasar Perkreditan Edisi Keempat. Jakarta : PT
Gramedia Pustaka Utama.
Todaro, M. P dan Smith, S.C. 2006. Pembangunan Ekonomi. Jilid
1 Edisi Kesembilan. Alih Bahasa. Jakarta : Erlangga.
Utami, N.K.T. 2015. Pemodelan Pertumbuhan Ekonomi Provinsi
Bali dengan Menggunakan Model Ekonometrika Spasial
Data Panel. Thesis. Surabaya : Institut Teknologi Sepuluh
Nopember.
Walpole, R.E., Myers, R.H., Myers, S.L., & Ye, K. 2012.
Probability & Statistics for Engineers & Scientists Ninth
Edition. United States of America : Prentice Hall.
Widarjono, A. 2013. Ekonometrika Pengantar dan Aplikasi
Eviews. Yogyakarta : UPP STIM YKPN.
Tempo. 2017. Jokowi: Perhatikan Tiga Sektor Penyangga
Ekonomi Jawa Timur. Wawancara dengan Tempo.co.
Diakses pada tanggal 02 Maret 2018 melalui
https://nasional.tempo.co/read/855841/jokowi-
perhatikan-tiga-sektor-penyangga-ekonomi-jawa-
timur.
World Bank. 1994. World Development Report 1994 :
Infrastructure for Development. New York: Oxford
University Press.
Zamzami, F. 2014. Analisis Pengaruh Infrastruktur Terhadap
PDRB Jawa Tengah Tahun 2008 – 2012. Skripsi.
Semarang : Universitas Diponegoro.
101
LAMPIRAN
Lampiran 1 Data Penelitian No Tahun Kab/Kota y x1 x2 x3
1 2010 Kab. Pacitan 6817.4 130836 79380 3069084
2 2010 Kab. Ponorogo 8961.5 453300 562752 7699464
3 2010
Kab.
Trenggalek 7962.1
467004 277368 4363284
4 2010
Kab.
Tulungagung 16776.3
1751040 2161440 10059396
5 2010 Kab. Lumajang 14260.1 917052 21429288 6895380
6 2010
Kab.
Bondowoso 8515.9
1094208 1020384 5068224
7 2010 Kab. Pasuruan 61178.3 891984 30124080 12635124
8 2010 Kab. Jombang 17350.8 2542272 2822928 12402984
9 2010 Kab. Nganjuk 11405.4 1189380 459624 7409904
10 2010 Kab. Madiun 8119.7 1162140 1745148 3990012
34 2010
Kab.
Probolinggo 15028.1
2336352 2483256 4283304
35 2010 Kab. Sampang 10064.0 17724 53844 1612668
36 2010 Kab. Sidoarjo 81472.7 1844904 81337020 30609168
37 2010 Kab. Situbondo 8471.4 960036 219852 7769904
38 2010 Kab. Sumenep 15136.5 223464 117072 3040236
39 2011 Kab. Pacitan 7246.2 135168 128448 3831780
229 2016 Kab. Pacitan 9489.1 550366 507039 175388
230 2016 Kab. Ponorogo 12305.7 1429045 2196990.2 23186719
263 2016 Kab. Sampang 12606.8 162155 174153 5996186
264 2016 Kab. Sidoarjo 118179.2 3129687 195751448 83717716
265 2016 Kab. Situbondo 11640.8 2966005 12767862 11372032
266 2016 Kab. Sumenep 22311.7 723811 493042 11593088
Keterangan :
y = PDRB (milyar rupiah)
x1 = Pinjaman yang diberikan pada sektor pertanian (juta rupiah)
x2 = Pinjaman yang diberikan pada sektor industri pengolahan (juta
rupiah)
x3 = Pinjaman yang diberikan pada sektor Perdagangan, Hotel dan
Restoran (juta rupiah)
102
Lampiran 1 Data Penelitian (Lanjutan)
No Tahun Kab/Kota x4 x5 x6 x7
1 2010 Kab. Pacitan 619942.804 347306 5.997 69.767
2 2010 Kab. Ponorogo 867739.973 474044 6.124 69.767
3 2010 Kab. Trenggalek 718742.962 379109 6.325 69.767
4 2010
Kab.
Tulungagung 1017539.697 524294 7.342
74.412
5 2010 Kab. Lumajang 821368.835 472049 5.460 68.598
6 2010 Kab. Bondowoso 698849.137 398735 4.965 52.495
7 2010 Kab. Pasuruan 1156809.410 764381 5.828 61.608
8 2010 Kab. Jombang 1068264.836 578789 7.261 84.122
9 2010 Kab. Nganjuk 915392.650 485507 6.706 84.122
10 2010 Kab. Madiun 700267.651 328262 6.129 90.645
31 2010 Kab. Gresik 1053033.716 541720 7.931 61.837
32 2010 Kab. Jember 1399201.907 1130595 5.489 68.598
33 2010 Kab. Malang 1574580.765 1199542 6.345 77.882
34 2010 Kab. Probolinggo 825509.736 591038 5.112 61.608
35 2010 Kab. Sampang 758013.665 436256 3.137 44.693
36 2010 Kab. Sidoarjo 1594719.544 917622 9.221 64.962
37 2010 Kab. Situbondo 738153.604 349306 4.914 52.495
38 2010 Kab. Sumenep 923882.317 588332 4.196 44.693
39 2011 Kab. Pacitan 907600.816 345898 6.103 59.924
40 2011 Kab. Ponorogo 1121548.532 446382 6.454 85.933
41 2011 Kab. Trenggalek 1029181.933 396804 6.358 64.581
229 2016 Kab. Pacitan 1605591.513 345615 6.890 81.908
230 2016 Kab. Ponorogo 2256555.09 475950 6.970 97.450
263 2016 Kab. Sampang 1838100.592 474744 3.790 60.625
264 2016 Kab. Sidoarjo 4006414.701 1052773 10.220 108.472
265 2016 Kab. Situbondo 1709130.268 344939 5.680 69.419
266 2016 Kab. Sumenep 2239986.581 599404 5.080 52.011
Keterangan :
x4 = Realisasi belanja daerah (juta rupiah)
x5 = Jumlah penduduk berusia 15 tahun keatas yang bekerja (jiwa)
x6 = Rata-Rata Lama Sekolah (tahun)
x7 = Rasio Elektrifikasi
103
Lampiran 2 Data Penelitian yang Ditransformasi dalam Bentuk ln
No Tahun Kab/Kota y x1 x2 x3
1 2010 Kab. Pacitan 8.8272 11.7817 11.2820 14.9369
2 2010 Kab. Ponorogo 9.1007 13.0243 13.2406 15.8567
3 2010
Kab.
Trenggalek 8.9824 13.0541 12.5331 15.2887
4 2010
Kab.
Tulungagung 9.7277 14.3757 14.5863 16.1240
5 2010 Kab. Lumajang 9.5652 13.7289 16.8803 15.7464
6 2010
Kab.
Bondowoso 9.0497 13.9055 13.8357 15.4385
7 2010 Kab. Pasuruan 11.0215 13.7012 17.2208 16.3520
8 2010 Kab. Jombang 9.7614 14.7486 14.8533 16.3334
9 2010 Kab. Nganjuk 9.3418 13.9889 13.0382 15.8183
10 2010 Kab. Madiun 9.0020 13.9658 14.3723 15.1993
31 2010 Kab. Gresik 10.9865 12.6807 18.4730 16.8479
32 2010 Kab. Jember 10.4156 16.8778 17.3796 16.6876
33 2010 Kab. Malang 10.6297 15.1654 16.6196 16.7501
34 2010
Kab.
Probolinggo 9.6177 14.6641 14.7251 15.2702
35 2010 Kab. Sampang 9.2167 9.7827 10.8938 14.2934
36 2010 Kab. Sidoarjo 11.3080 14.4279 18.2141 17.2368
37 2010 Kab. Situbondo 9.0445 13.7747 12.3007 15.8658
38 2010 Kab. Sumenep 9.6249 12.3170 11.6705 14.9274
39 2011 Kab. Pacitan 8.8882 11.8143 11.7633 15.1588
40 2011 Kab. Ponorogo 9.1561 14.1864 13.0253 16.0779
41 2011
Kab.
Trenggalek 9.0402 13.7713 13.0044 15.4618
229 2016 Kab. Pacitan 9.1579 13.2183 13.1363 12.0748
230 2016 Kab. Ponorogo 9.4178 14.1725 14.6026 16.9591
263 2016 Kab. Sampang 9.4420 11.9963 12.0677 15.6066
264 2016 Kab. Sidoarjo 11.6800 14.9564 19.0924 18.2430
265 2016 Kab. Situbondo 9.3623 14.9027 16.3624 16.2467
266 2016 Kab. Sumenep 10.0129 13.4923 13.1084 16.2659
104
Lampiran 2 Data Penelitian yang Ditransformasi dalam Bentuk ln
(lanjutan)
No Tahun Kab/Kota X4 X5 X6 X7
1 2010 Kab. Pacitan 13.3374 12.7580 1.7912 4.2452
2 2010 Kab. Ponorogo 13.6736 13.0691 1.8122 4.2452
3 2010
Kab.
Trenggalek 13.4853 12.8456 1.8445 4.2452
4 2010
Kab.
Tulungagung 13.8329 13.1698 1.9936 4.3096
5 2010 Kab. Lumajang 13.6187 13.0648 1.6975 4.2283
6 2010
Kab.
Bondowoso 13.4572 12.8961 1.6025 3.9607
7 2010 Kab. Pasuruan 13.9612 13.5468 1.7626 4.1208
8 2010 Kab. Jombang 13.8815 13.2687 1.9825 4.4323
9 2010 Kab. Nganjuk 13.7271 13.0929 1.9030 4.4323
10 2010 Kab. Madiun 13.4592 12.7016 1.8130 4.5069
31 2010 Kab. Gresik 13.8672 13.2025 2.0708 4.1245
32 2010 Kab. Jember 14.1514 13.9383 1.7028 4.2283
33 2010 Kab. Malang 14.2695 13.9975 1.8477 4.3552
34 2010
Kab.
Probolinggo 13.6238 13.2896 1.6316 4.1208
35 2010 Kab. Sampang 13.5385 12.9860 1.1433 3.7998
36 2010 Kab. Sidoarjo 14.2822 13.7295 2.2215 4.1738
37 2010 Kab. Situbondo 13.5119 12.7637 1.5921 3.9607
38 2010 Kab. Sumenep 13.7363 13.2850 1.4342 3.7998
39 2011 Kab. Pacitan 13.7186 12.7539 1.8087 4.0931
40 2011 Kab. Ponorogo 13.9302 13.0089 1.8647 4.4536
41 2011
Kab.
Trenggalek 13.8443 12.8912 1.8498 4.1679
229 2016 Kab. Pacitan 14.2890 12.7531 1.9301 4.4056
230 2016 Kab. Ponorogo 14.6293 13.0731 1.9416 4.5793
263 2016 Kab. Sampang 14.4242 13.0705 1.3324 4.1047
264 2016 Kab. Sidoarjo 15.2034 13.8669 2.3243 4.6865
265 2016 Kab. Situbondo 14.3515 12.7511 1.7370 4.2402
266 2016 Kab. Sumenep 14.6220 13.3037 1.6253 3.9515
105
Lampiran 3 Rata-Rata dan Standar Deviasi dari Pinjaman yang
Diberikan Oleh Bank pada Sektor Pertanian, Peternakan,
Kehutanan dan Perikanan Tahun 2010-2016 (Juta Rupiah)
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 331660.82 159748.781
2 Kab. Ponorogo 1129160.32 404287.488
3 Kab. Trenggalek 631883.18 208315.778
4 Kab. Tulungagung 3104611.81 1083799.02
5 Kab. Lumajang 2558770.85 1214344.49
6 Kab. Bondowoso 1967172.11 674382.95
7 Kab. Pasuruan 1631941.45 538835.401
8 Kab. Jombang 4845069.67 1143246.54
9 Kab. Nganjuk 4206478.13 1972769.99
10 Kab. Madiun 2131859.64 740192.987
11 Kab. Magetan 3434900.83 1375810.15
12 Kab. Ngawi 3758266.93 2301676.3
13 Kab. Bojonegoro 3396747.87 1986965.51
14 Kab. Tuban 2329531.31 1327354.48
15 Kab. Lamongan 2811950.36 1305934.26
16 Kab. Bangkalan 57631.96 72906.9175
17 Kab. Pamekasan 223138.52 113436.353
18 Kota Kediri 877637.01 728059.425
19 Kota Blitar 523631.68 391696.408
20 Kota Malang 1298362.90 860304.324
21 Kota Probolinggo 488142.03 184809.811
22 Kota Pasuruan 170304.72 76798.2122
23 Kota Mojokerto 100376.86 92954.3815
24 Kota Madiun 334992.55 239639.957
25 Kota Surabaya 20308333.00 8366051.15
26 Kota Batu 425405.95 191204.322
27 Kab. Blitar 5952126.77 2227169.3
28 Kab. Kediri 6327977.36 1299093.79
29 Kab. Mojokerto 1770844.68 567713.565
30 Kab. Banyuwangi 5184168.69 2295205.71
31 Kab. Gresik 1329532.96 609974.139
32 Kab. Jember 9318728.76 5531257.38
33 Kab. Malang 8109744.20 2494233.22
34 Kab. Probolinggo 3549764.70 1049802.71
35 Kab. Sampang 76436.81 50894.1241
36 Kab. Sidoarjo 3439355.04 1517975.35
37 Kab. Situbondo 1950431.51 701614.904
38 Kab. Sumenep 422206.35 206351.532
106
Lampiran 4 Rata-Rata dan Standar Deviasi dari Pinjaman yang
Diberikan Oleh Bank pada Sektor Industri Pengolahan Tahun
2010-2016 (Juta Rupiah)
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 311612.76 165061.6367
2 Kab. Ponorogo 1052017.90 581354.3442
3 Kab. Trenggalek 866497.56 445717.2146
4 Kab. Tulungagung 4701438.10 1737593.75
5 Kab. Lumajang 6990569.29 6557343.461
6 Kab. Bondowoso 1071522.19 220623.3914
7 Kab. Pasuruan 75408672.72 38848632.43
8 Kab. Jombang 5538459.19 2450492.75
9 Kab. Nganjuk 700118.80 212663.1995
10 Kab. Madiun 3277484.59 1668826.478
11 Kab. Magetan 812789.99 342242.9124
12 Kab. Ngawi 1458689.12 561230.0153
13 Kab. Bojonegoro 4653899.93 1265351.269
14 Kab. Tuban 16210247.87 6007204.079
15 Kab. Lamongan 2863113.38 1710375.848
16 Kab. Bangkalan 755464.89 539335.6168
17 Kab. Pamekasan 665411.32 304133.6722
18 Kota Kediri 94667449.35 48345805.87
19 Kota Blitar 518638.86 249142.6573
20 Kota Malang 23288193.24 10393056.1
21 Kota Probolinggo 2208374.51 1117529.939
22 Kota Pasuruan 6139267.20 2154855.581
23 Kota Mojokerto 8163739.14 4501177.721
24 Kota Madiun 3198772.29 2046374.666
25 Kota Surabaya 353142075.28 121948464.2
26 Kota Batu 686325.42 413767.0325
27 Kab. Blitar 988690.16 416461.5137
28 Kab. Kediri 51574782.16 30641225.91
29 Kab. Mojokerto 35932567.57 12136449.09
30 Kab. Banyuwangi 10292780.24 4993342.981
31 Kab. Gresik 258046479.90 106342734.5
32 Kab. Jember 9783063.06 11307421.48
33 Kab. Malang 32086761.88 12276462.15
34 Kab. Probolinggo 6247811.12 2484180.123
35 Kab. Sampang 154589.59 61393.09819
36 Kab. Sidoarjo 157220922.40 47851004.53
37 Kab. Situbondo 7328057.90 7767506.507
38 Kab. Sumenep 283811.56 139504.5718
107
Lampiran 5 Rata-Rata dan Standar Deviasi dari Pinjaman yang
Diberikan Oleh Bank pada Sektor Perdagangan, Hotel dan
Restoran Tahun 2010-2016 (Juta Rupiah)
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 1070154.14 1641338.448
2 Kab. Ponorogo 14491012.61 5935460.824
3 Kab. Trenggalek 7683815.27 2842783.593
4 Kab. Tulungagung 15641908.04 4854917.713
5 Kab. Lumajang 11106144.56 3718041.107
6 Kab. Bondowoso 8279132.76 2357155.751
7 Kab. Pasuruan 14811194.88 2852196.081
8 Kab. Jombang 20343020.40 6741884.762
9 Kab. Nganjuk 11710905.78 4147780.266
10 Kab. Madiun 9761325.34 4121446.282
11 Kab. Magetan 9737069.15 3794867.437
12 Kab. Ngawi 9266621.68 3223308.244
13 Kab. Bojonegoro 22960583.00 9925728.03
14 Kab. Tuban 12523088.92 5269684.274
15 Kab. Lamongan 15135314.81 5710378.791
16 Kab. Bangkalan 5903180.14 2347136.627
17 Kab. Pamekasan 8067393.45 2932517.029
18 Kota Kediri 9586281.45 3227402.875
19 Kota Blitar 4780534.67 1392764.343
20 Kota Malang 31724272.33 9267846.78
21 Kota Probolinggo 5439065.89 1642306.439
22 Kota Pasuruan 5157751.71 2825903.79
23 Kota Mojokerto 6952376.64 4248617.447
24 Kota Madiun 7824675.56 2595183.48
25 Kota Surabaya 452350659.08 163030502.4
26 Kota Batu 3213677.95 1650389.322
27 Kab. Blitar 13406884.91 3938267.62
28 Kab. Kediri 22164517.96 6616617.424
29 Kab. Mojokerto 15734229.17 6460855.04
30 Kab. Banyuwangi 26937955.45 12205380.65
31 Kab. Gresik 49710734.08 31269593.87
32 Kab. Jember 29189592.59 8314700.286
33 Kab. Malang 26547608.90 8870372.224
34 Kab. Probolinggo 8407110.80 3391672.886
35 Kab. Sampang 3412746.99 1642931.448
36 Kab. Sidoarjo 57590938.51 21779891.1
37 Kab. Situbondo 10338513.45 2487319.872
38 Kab. Sumenep 6771228.83 3171699.312
108
Lampiran 6 Rata-Rata dan Standar Deviasi dari Realisasi Belanja
Daerah Tahun 2010-2016 (Juta Rupiah)
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 1116302.503 357954.853
2 Kab. Ponorogo 1532299.850 503344.392
3 Kab. Trenggalek 1284979.129 413842.229
4 Kab. Tulungagung 1746612.480 591358.796
5 Kab. Lumajang 1469973.472 472365.633
6 Kab. Bondowoso 1350547.131 481022.106
7 Kab. Pasuruan 2123043.967 806118.895
8 Kab. Jombang 1754754.511 574836.314
9 Kab. Nganjuk 1541747.059 461363.236
10 Kab. Madiun 1293420.065 432280.459
11 Kab. Magetan 1326782.013 409159.515
12 Kab. Ngawi 1499948.447 515697.286
13 Kab. Bojonegoro 2399878.632 1006077.633
14 Kab. Tuban 1641090.605 501342.288
15 Kab. Lamongan 1813851.529 614628.380
16 Kab. Bangkalan 1510056.138 488183.931
17 Kab. Pamekasan 1421400.242 469281.061
18 Kota Kediri 1104813.177 376095.062
19 Kota Blitar 632326.006 185925.788
20 Kota Malang 1544601.015 448383.873
21 Kota Probolinggo 753744.366 216793.358
22 Kota Pasuruan 635892.048 174050.069
23 Kota Mojokerto 663778.666 239417.865
24 Kota Madiun 834986.406 324692.508
25 Kota Surabaya 5819079.408 1798589.176
26 Kota Batu 663322.281 198736.959
27 Kab. Blitar 1726673.724 569150.070
28 Kab. Kediri 2031895.907 713459.712
29 Kab. Mojokerto 1662070.037 637226.901
30 Kab. Banyuwangi 2142874.033 639489.360
31 Kab. Gresik 1976995.072 687690.063
32 Kab. Jember 2573379.828 794606.678
33 Kab. Malang 2626927.092 740412.534
34 Kab. Probolinggo 1533285.492 483896.975
35 Kab. Sampang 1280664.554 443219.913
36 Kab. Sidoarjo 2907739.332 976741.208
37 Kab. Situbondo 1249959.312 364041.713
38 Kab. Sumenep 1615047.387 510350.562
109
Lampiran 7 Rata-Rata dan Standar Deviasi dari Jumlah Penduduk
Berusia 15 Tahun Keatas yang Bekerja Tahun 2010-2016 (Jiwa)
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 344697 3846.515
2 Kab. Ponorogo 471450 12127.17
3 Kab. Trenggalek 392167 8064.241
4 Kab. Tulungagung 534833 9783.702
5 Kab. Lumajang 498708 22489.33
6 Kab. Bondowoso 398234 13768.43
7 Kab. Pasuruan 781262 17014.71
8 Kab. Jombang 578198 18163.52
9 Kab. Nganjuk 505918 17304.43
10 Kab. Madiun 341188 9966.089
11 Kab. Magetan 339527 16907.55
12 Kab. Ngawi 418499 15936.23
13 Kab. Bojonegoro 616833 24474.95
14 Kab. Tuban 569715 17086.5
15 Kab. Lamongan 590501 25043.61
16 Kab. Bangkalan 440585 21900.97
17 Kab. Pamekasan 447643 18348.25
18 Kota Kediri 128919 4423.328
19 Kota Blitar 65984 4392.727
20 Kota Malang 387741 15608.95
21 Kota Probolinggo 101415 13291.69
22 Kota Pasuruan 89713 6755.84
23 Kota Mojokerto 61216 3215.751
24 Kota Madiun 82081 3114.29
25 Kota Surabaya 1346775 79152.19
26 Kota Batu 101148 4357.481
27 Kab. Blitar 590666 16344.88
28 Kab. Kediri 748022 24472.22
29 Kab. Mojokerto 530664 22454.53
30 Kab. Banyuwangi 819039 50719.73
31 Kab. Gresik 561284 25166.08
32 Kab. Jember 1121981 25046.22
33 Kab. Malang 1227493 30592.08
34 Kab. Probolinggo 597340 12533.54
35 Kab. Sampang 463641 21737.27
36 Kab. Sidoarjo 989513 47232.65
37 Kab. Situbondo 343269 7642.328
38 Kab. Sumenep 609150 20615.06
110
Lampiran 8 Rata-Rata dan Standar Deviasi dari Rata-Rata Lama
Sekolah Tahun 2010-2016 (Tahun)
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 6.4051 0.3576
2 Kab. Ponorogo 6.6923 0.3214
3 Kab. Trenggalek 6.7456 0.3580
4 Kab. Tulungagung 7.4950 0.1619
5 Kab. Lumajang 5.8476 0.2211
6 Kab. Bondowoso 5.3309 0.2601
7 Kab. Pasuruan 6.1663 0.3132
8 Kab. Jombang 7.4449 0.1590
9 Kab. Nganjuk 7.0934 0.2575
10 Kab. Madiun 6.7038 0.3199
11 Kab. Magetan 7.4248 0.2075
12 Kab. Ngawi 6.3003 0.2617
13 Kab. Bojonegoro 6.0484 0.4505
14 Kab. Tuban 5.9689 0.2904
15 Kab. Lamongan 6.9794 0.3359
16 Kab. Bangkalan 4.8502 0.3050
17 Kab. Pamekasan 5.5704 0.3294
18 Kota Kediri 9.5770 0.2657
19 Kota Blitar 9.6552 0.1875
20 Kota Malang 9.8026 0.2944
21 Kota Probolinggo 8.3300 0.1483
22 Kota Pasuruan 8.9211 0.1931
23 Kota Mojokerto 9.8807 0.0511
24 Kota Madiun 10.7747 0.2888
25 Kota Surabaya 10.0529 0.2322
26 Kota Batu 8.0485 0.4709
27 Kab. Blitar 6.7899 0.3330
28 Kab. Kediri 7.2576 0.2147
29 Kab. Mojokerto 7.5150 0.2480
30 Kab. Banyuwangi 6.7305 0.2054
31 Kab. Gresik 8.4720 0.3599
32 Kab. Jember 5.6650 0.1901
33 Kab. Malang 6.5934 0.2246
34 Kab. Probolinggo 5.4249 0.2731
35 Kab. Sampang 3.4098 0.2409
36 Kab. Sidoarjo 9.8366 0.3707
37 Kab. Situbondo 5.3258 0.3105
38 Kab. Sumenep 4.6003 0.3343
111
Lampiran 9 Rata-Rata dan Standar Deviasi dari Rasio
Elektrifikasi Tahun 2010-2016
No Kabupaten/Kota Rata-Rata Tahun 2010-2016 Standar Deviasi
1 Kab. Pacitan 69.923 8.548
2 Kab. Ponorogo 88.775 9.847
3 Kab. Trenggalek 71.636 7.617
4 Kab. Tulungagung 82.002 7.195
5 Kab. Lumajang 69.829 13.879
6 Kab. Bondowoso 54.963 6.470
7 Kab. Pasuruan 66.815 16.201
8 Kab. Jombang 92.514 7.821
9 Kab. Nganjuk 94.380 6.750
10 Kab. Madiun 94.414 2.712
11 Kab. Magetan 97.253 4.149
12 Kab. Ngawi 85.963 4.283
13 Kab. Bojonegoro 71.936 6.433
14 Kab. Tuban 71.083 7.822
15 Kab. Lamongan 80.959 11.918
16 Kab. Bangkalan 62.210 10.765
17 Kab. Pamekasan 59.767 9.176
18 Kota Kediri 82.227 7.639
19 Kota Blitar 81.704 7.311
20 Kota Malang 88.212 8.302
21 Kota Probolinggo 81.037 11.606
22 Kota Pasuruan 66.815 16.201
23 Kota Mojokerto 97.932 8.265
24 Kota Madiun 94.414 2.712
25 Kota Surabaya 108.503 9.850
26 Kota Batu 88.212 8.302
27 Kab. Blitar 81.704 7.311
28 Kab. Kediri 82.227 7.639
29 Kab. Mojokerto 97.932 8.265
30 Kab. Banyuwangi 84.627 6.474
31 Kab. Gresik 76.660 14.713
32 Kab. Jember 76.599 6.515
33 Kab. Malang 88.212 8.302
34 Kab. Probolinggo 81.037 11.606
36 Kab. Sidoarjo 76.645 14.804
37 Kab. Situbondo 63.486 6.206
37 Kab. Sampang 44.710 9.924
38 Kab. Sumenep 50.923 3.573
Lampiran 10 Uji Moran’s I dengan Matriks Pembobot Queen
Contiguity > library(ctv)
> library(maptools)
> library(rgdal)
> library(spdep)
> library(ape)
> data<-read.csv("PDRB.csv",header=TRUE)
> PDRB2010=data[,2]
> PDRB2011=data[,3]
> PDRB2012=data[,4]
> PDRB2013=data[,5]
> PDRB2014=data[,6]
> PDRB2015=data[,7]
> PDRB2016=data[,8]
> Kabupaten=data[,1]
> bobot=read.csv("matriksqueen.csv",header=FALSE)
> bobot2=read.csv("customized.csv",header=FALSE)
> ww=as.matrix(bobot)
> ww2=as.matrix(bobot2)
> moran.test(PDRB2010,listw=mat2listw(ww),alternative="two.sided")
> moran.test(PDRB2011,listw=mat2listw(ww),alternative="two.sided")
> moran.test(PDRB2012,listw=mat2listw(ww),alternative="two.sided")
> moran.test(PDRB2013,listw=mat2listw(ww),alternative="two.sided")
> moran.test(PDRB2014,listw=mat2listw(ww),alternative="two.sided")
> moran.test(PDRB2015,listw=mat2listw(ww),alternative="two.sided")
> moran.test(PDRB2016,listw=mat2listw(ww),alternative="two.sided")
Moran I test under randomisation
data: PDRB2010
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.7283, p-value = 0.0001928
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.304361767 -0.027027027 0.007900673
113
Lampiran 10 Uji Moran’s I dengan Matriks Pembobot Queen
Contiguity (Lanjutan) Moran I test under randomisation
data: PDRB2011
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.7424, p-value = 0.0001823
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.304458571 -0.027027027 0.007845603
Moran I test under randomisation
data: PDRB2012
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.7664, p-value = 0.0001656
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.305457988 -0.027027027 0.007792593
Moran I test under randomisation
data: PDRB2013
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.7963, p-value = 0.0001469
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.304696687 -0.027027027 0.007635368
Moran I test under randomisation
data: PDRB2014
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.8224, p-value = 0.0001321
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.305819549 -0.027027027 0.007582463
Moran I test under randomisation
data: PDRB2015
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.8117, p-value = 0.000138
alternative hypothesis: two.sided
114
Lampiran 10 Uji Moran’s I dengan Matriks Pembobot Queen
Contiguity (Lanjutan) sample estimates:
Moran I statistic Expectation Variance
0.305028860 -0.027027027 0.007589129
Moran I test under randomisation
data: PDRB2016
weights: mat2listw(ww)
Moran I statistic standard deviate = 3.7638, p-value = 0.0001673
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.30146941 -0.02702703 0.00761727
Lampiran 11 Uji Moran’s I dengan Matriks Pembobot Customize > moran.test(PDRB2010,listw=mat2listw(ww2),alternative="two.sided")
> moran.test(PDRB2011,listw=mat2listw(ww2),alternative="two.sided")
> moran.test(PDRB2012,listw=mat2listw(ww2),alternative="two.sided")
> moran.test(PDRB2013,listw=mat2listw(ww2),alternative="two.sided")
> moran.test(PDRB2014,listw=mat2listw(ww2),alternative="two.sided")
> moran.test(PDRB2015,listw=mat2listw(ww2),alternative="two.sided")
> moran.test(PDRB2016,listw=mat2listw(ww2),alternative="two.sided")
Moran I test under randomisation
data: PDRB2010
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7107, p-value = 0.08714
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.122271131 -0.027027027 0.007616877
Moran I test under randomisation
data: PDRB2011
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7163, p-value = 0.08611
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.122238003 -0.027027027 0.007563921
115
Lampiran 11 Uji Moran’s I dengan Matriks Pembobot
Customize (Lanjutan)
Moran I test under randomisation
data: PDRB2012
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7289, p-value = 0.08383
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.122828452 -0.027027027 0.007512946
Moran I test under randomisation
data: PDRB2013
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7416, p-value = 0.08159
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.122399535 -0.027027027 0.007361757
Moran I test under randomisation
data: PDRB2014
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7561, p-value = 0.07907
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.123124833 -0.027027027 0.007310883
Moran I test under randomisation
data: PDRB2015
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7493, p-value = 0.08024
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.122611974 -0.027027027 0.007317293
Moran I test under randomisation
data: PDRB2016
weights: mat2listw(ww2)
Moran I statistic standard deviate = 1.7208, p-value = 0.08529
116
Lampiran 11 Uji Moran’s I dengan Matriks Pembobot
Customize (Lanjutan)
alternative hypothesis: two.sided
sample estimates:
Moran I statistic Expectation Variance
0.120442575 -0.027027027 0.007344354
Lampiran 12 Uji Dependensi Spasial dengan Lagrange Multiplier
dengan Matriks Pembobot Queen Contiguity Ordinary Least-squares Estimates
Dependent Variable = Y
R-squared = 0.8398
Rbar-squared = 0.8355
sigma^2 = 0.1539
Durbin-Watson = 2.0318
Nobs, Nvars = 266, 8
***************************************************************
Variable Coefficient t-statistic t-probability
intercept -5.548230 -6.074268 0.000000
X1 -0.080348 -3.098804 0.002158
X2 0.212367 11.027969 0.000000
X3 0.043916 1.157609 0.248094
X4 0.340150 3.724055 0.000241
X5 0.661916 9.427486 0.000000
X6 0.784169 3.869600 0.000138
X7 -0.535341 -3.061526 0.002435
Loglikols =
-124.5014
T = 7
LM test no spatial lag, probability = 2.4270, 0.119
robust LM test no spatial lag, probability = 5.7477, 0.017
LM test no spatial error, probability = 26.7063, 0.000
robust LM test no spatial error, probability = 30.0271, 0.000
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.9085
Rbar-squared = 0.9064
sigma^2 = 0.0012
Durbin-Watson = 1.3886
117
Lampiran 12 Uji Dependensi Spasial dengan Lagrange Multiplier
dengan Matriks Pembobot Queen Contiguity (Lanjutan) Nobs, Nvars = 266, 7
***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 0.004794 0.830481 0.407032
variable 2 -0.001109 -0.212345 0.832005
variable 3 0.017745 2.715138 0.007070
variable 4 0.259058 16.092925 0.000000
variable 5 0.193607 3.319730 0.001031
variable 6 0.505967 4.282210 0.000026
variable 7 -0.015199 -0.548193 0.584032
FE_rsqr2 =
0.9987
loglikfe =
515.6098
T =
7
LM test no spatial lag, probability = 124.7769, 0.000
robust LM test no spatial lag, probability = 48.6357, 0.000
LM test no spatial error, probability = 76.3817, 0.000
robust LM test no spatial error, probability = 0.2404, 0.624
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.0920
Rbar-squared = 0.0710
sigma^2 = 0.0005
Durbin-Watson = 2.1183
Nobs, Nvars = 266, 7
***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 -0.010058 -2.623773 0.009212
variable 2 -0.008432 -2.454636 0.014761
variable 3 0.001334 0.307257 0.758894
variable 4 0.057603 2.315695 0.021356
variable 5 0.012881 0.316657 0.751759
variable 6 0.020142 0.248167 0.804202
variable 7 -0.045151 -2.465089 0.014347
T =
7
118
Lampiran 12 Uji Dependensi Spasial dengan Lagrange Multiplier
dengan Matriks Pembobot Queen Contiguity (Lanjutan) LM test no spatial lag, probability = 25.5404, 0.000
robust LM test no spatial lag, probability = 8.5090, 0.004
LM test no spatial error, probability = 20.8629, 0.000
robust LM test no spatial error, probability = 3.8315, 0.050
Lampiran 13 Uji Dependensi Spasial dengan Lagrange Multiplier
dengan Matriks Pembobot Customize Ordinary Least-squares Estimates
Dependent Variable = Y
R-squared = 0.8398
Rbar-squared = 0.8355
sigma^2 = 0.1539
Durbin-Watson = 2.0318
Nobs, Nvars = 266, 8
***************************************************************
Variable Coefficient t-statistic t-probability
intercept -3.198560 -3.850686 0.000149
X1 -0.080348 -3.098804 0.002158
X2 0.212367 11.027969 0.000000
X3 0.043916 1.157609 0.248094
X4 0.340150 3.724055 0.000241
X5 0.661916 9.427486 0.000000
X6 0.784169 3.869600 0.000138
X7 -0.535341 -3.061526 0.002435
loglikols = -124.5014
T =7
LM test no spatial lag, probability = 9.8903, 0.002
robust LM test no spatial lag, probability = 0.0005, 0.982
LM test no spatial error, probability = 25.8075, 0.000
robust LM test no spatial error, probability = 15.9177, 0.000
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.9085
Rbar-squared = 0.9064
sigma^2 = 0.0012
Durbin-Watson = 1.3886
Nobs, Nvars = 266, 7
119
Lampiran 13 Uji Dependensi Spasial dengan Lagrange Multiplier
dengan Matriks Pembobot Customize (Lanjutan) ***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 0.004794 0.830481 0.407032
variable 2 -0.001109 -0.212345 0.832005
variable 3 0.017745 2.715138 0.007070
variable 4 0.259058 16.092925 0.000000
variable 5 0.193607 3.319730 0.001031
variable 6 0.505967 4.282210 0.000026
variable 7 -0.015199 -0.548193 0.584032
FE_rsqr2 = 0.9987
loglikfe = 515.6098
T =7
LM test no spatial lag, probability = 125.0347, 0.000
robust LM test no spatial lag, probability = 47.3074, 0.000
LM test no spatial error, probability = 77.8310, 0.000
robust LM test no spatial error, probability = 0.1037, 0.747
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.0920
Rbar-squared = 0.0710
sigma^2 = 0.0005
Durbin-Watson = 2.1183
Nobs, Nvars = 266, 7
***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 -0.010058 -2.623773 0.009212
variable 2 -0.008432 -2.454636 0.014761
variable 3 0.001334 0.307257 0.758894
variable 4 0.057603 2.315695 0.021356
variable 5 0.012881 0.316657 0.751759
variable 6 0.020142 0.248167 0.804202
variable 7 -0.045151 -2.465089 0.014347
T = 7
LM test no spatial lag, probability = 24.0995, 0.000
robust LM test no spatial lag, probability = 8.0344, 0.005
LM test no spatial error, probability = 19.6831, 0.000
robust LM test no spatial error, probability = 3.6179, 0.057
120
Lampiran 14 Pemodelan SAR Panel dengan Matriks Pembobot
Queen Contiguity Pooled model with spatially lagged dependent variable, no fixed effects
Dependent Variable = Y
R-squared = 0.8417
corr-squared = 0.8350
sigma^2 = 0.1476
Nobs,Nvar,#FE = 266, 9, 8
log-likelihood = -123.16317
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.3280
time for optimiz = 0.1250
time for lndet = 0.0160
time for eigs = 0.1250
time for t-stats = 0.0160
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -4.926994 -5.193138 0.000000
X1 -0.080867 -3.176831 0.001489
X2 0.222806 11.350915 0.000000
X3 0.052972 1.424066 0.154427
X4 0.343529 3.785432 0.000153
X5 0.654295 9.405543 0.000000
X6 0.856540 4.211349 0.000025
X7 -0.590884 -3.368697 0.000755
W*dep.var. -0.076963 -1.674774 0.093979
Pooled model with spatially lagged dependent variable and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9995
corr-squared = 0.9253
sigma^2 = 0.0005
Nobs,Nvar,#FE = 266, 8, 45
log-likelihood = 615.84866
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.1100
time for optimiz = 0.0470
time for lndet = 0.0150
time for eigs = 0.0160
121
Lampiran 14 Pemodelan SAR Panel dengan Matriks Pembobot
Queen Contiguity (Lanjutan) No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 -0.000632 -0.164866 0.869049
X2 -0.005497 -1.588331 0.112212
X3 0.004227 0.973162 0.330473
X4 0.081445 5.614693 0.000000
X5 0.061072 1.569541 0.116522
X6 0.258255 3.263831 0.001099
X7 -0.028868 -1.571538 0.116058
W*dep.var. 0.703985 20.190359 0.000000
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 0.495190 0.054661 0.956409
sfe 1 -0.220026 -0.028247 0.977465
sfe 2 -0.093510 -0.010635 0.991514
sfe 3 -0.234853 -0.027461 0.978092
sfe 4 0.344067 0.037097 0.970408
sfe 5 -0.340579 -0.037025 0.970465
sfe 6 -0.575636 -0.065398 0.947858
sfe 7 1.465648 0.151147 0.879859
sfe 8 -0.113023 -0.012002 0.990424
sfe 9 -0.205066 -0.023007 0.981645
sfe 10 -0.233737 -0.025865 0.979365
sfe 11 -0.090762 -0.010240 0.991830
sfe 12 -0.350917 -0.039153 0.968768
sfe 13 0.983484 0.105307 0.916132
sfe 14 0.423517 0.045035 0.964080
sfe 15 -0.372346 -0.040800 0.967455
sfe 16 0.427845 0.053782 0.957109
sfe 17 -0.476064 -0.057091 0.954472
sfe 18 1.315857 0.138916 0.889517
sfe 19 -1.494277 -0.180731 0.856579
sfe 20 0.050718 0.005339 0.995740
sfe 21 -0.900820 -0.104968 0.916402
sfe 22 -2.227072 -0.259667 0.795120
sfe 23 -1.993274 -0.233133 0.815658
sfe 24 -0.296196 -0.034390 0.972566
sfe 25 1.524539 0.138767 0.889634
sfe 26 -1.356133 -0.165492 0.868557
sfe 27 0.190346 0.021011 0.983237
122
Lampiran 14 Pemodelan SAR Panel dengan Matriks Pembobot
Queen Contiguity (Lanjutan) sfe 28 -0.037850 -0.003832 0.996943
sfe 29 0.686108 0.071735 0.942813
sfe 30 0.924881 0.096545 0.923088
sfe 31 0.465023 0.046336 0.963042
sfe 32 0.822496 0.085163 0.932132
sfe 33 1.012832 0.102182 0.918612
sfe 34 0.043672 0.004725 0.996230
sfe 35 0.100428 0.012988 0.989638
sfe 36 0.507712 0.049825 0.960262
sfe 37 -0.437013 -0.048358 0.961431
sfe 38 0.759982 0.091941 0.926745
Pooled model with spatially lagged dependent variable and spatial random
effects
Dependent Variable = Y
R-squared = 0.9994
corr-squared = 0.1681
sigma^2 = 0.0006
Nobs,Nvar = 266, 8
log-likelihood = 424.3538
# of iterations = 5
min and max rho = -1.0000, 1.0000
total time in secs = 0.2190
time for optimiz = 0.1880
time for lndet = 0.0160
time for t-stats = 0.0150
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 -0.000597 -0.154918 0.876886
X2 -0.005198 -1.485523 0.137405
X3 0.004252 0.972742 0.330681
X4 0.088616 6.129230 0.000000
X5 0.113534 6.632210 0.000000
X6 0.260847 3.328760 0.000872
X7 -0.031084 -1.663558 0.096201
W*dep.var. 0.674959 18.745241 0.000000
teta 0.011489 6.164703 0.000000
123
Lampiran 15 Pemodelan SEM Panel dengan Matriks Pembobot
Queen Contiguity Pooled model with spatial error autocorrelation, no fixed effects
Dependent Variable = Y
R-squared = 0.8385
corr-squared = 0.8386
sigma^2 = 0.1315
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 8, 8
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.2500
time for optimiz = 0.1410
time for lndet = 0.0160
time for t-stats = 0.0160
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -5.087965 -6.554815 0.000000
X1 -0.093463 -4.325396 0.000015
X2 0.217185 13.045352 0.000000
X3 0.068780 1.965248 0.049386
X4 0.239137 3.306916 0.000943
X5 0.711328 11.979521 0.000000
X6 0.819304 4.658389 0.000003
X7 -0.543517 -3.535384 0.000407
spat.aut. -0.236068 -3.325684 0.000882
Pooled model with spatial error autocorrelation and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9987
corr-squared = 0.9081
sigma^2 = 0.0018
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 7, 45
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.0780
time for optimiz = 0.0160
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 0.001666 0.246834 0.805037
124
Lampiran 15 Pemodelan SEM Panel dengan Matriks Pembobot
Queen Contiguity (Lanjutan) X2 -0.000073 -0.012190 0.990274
X3 0.021236 2.761763 0.005749
X4 0.248381 14.465861 0.000000
X5 0.221806 3.346188 0.000819
X6 0.572798 4.242197 0.000022
X7 -0.010448 -0.332934 0.739184
spat.aut. -0.236068 -3.325684 0.000882
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 2.004616 0.123348 0.901832
sfe 1 -0.587107 -0.042016 0.966486
sfe 2 -0.577744 -0.036629 0.970780
sfe 3 -0.597028 -0.038915 0.968958
sfe 4 -0.067067 -0.004031 0.996784
sfe 5 -0.032673 -0.001980 0.998420
sfe 6 -0.416597 -0.026383 0.978952
sfe 7 1.229833 0.070699 0.943637
sfe 8 -0.058666 -0.003473 0.997229
sfe 9 -0.386609 -0.024179 0.980710
sfe 10 -0.547607 -0.033780 0.973053
sfe 11 -0.600420 -0.037762 0.969877
sfe 12 -0.549904 -0.034202 0.972716
sfe 13 0.663954 0.039630 0.968388
sfe 14 0.581689 0.034480 0.972495
sfe 15 -0.069050 -0.004218 0.996635
sfe 16 0.100249 0.007025 0.994395
sfe 17 -0.666097 -0.044529 0.964483
sfe 18 1.432380 0.084294 0.932823
sfe 19 -1.232900 -0.083124 0.933753
sfe 20 0.492830 0.028919 0.976929
sfe 21 -0.748813 -0.048639 0.961207
sfe 22 -1.035612 -0.067309 0.946335
sfe 23 -1.200970 -0.078301 0.937589
sfe 24 -0.642971 -0.041614 0.966806
sfe 25 1.842034 0.093463 0.925535
sfe 26 -0.376475 -0.025610 0.979569
sfe 27 -0.082084 -0.005051 0.995970
sfe 28 -0.090945 -0.005132 0.995905
sfe 29 0.680534 0.039663 0.968362
125
Lampiran 15 Pemodelan SEM Panel dengan Matriks Pembobot
Queen Contiguity (Lanjutan) sfe 30 0.513777 0.029896 0.976150
sfe 31 1.076058 0.059770 0.952339
sfe 32 0.496415 0.028652 0.977142
sfe 33 0.610839 0.034353 0.972596
sfe 34 0.016451 0.000992 0.999208
sfe 35 -0.046600 -0.003359 0.997320
sfe 36 1.087493 0.059492 0.952561
sfe 37 -0.382291 -0.023581 0.981187
sfe 38 0.171697 0.011579 0.990762
Pooled model with spatial error autocorrelation and spatial random effects
Dependent Variable = Y
R-squared = 0.9989
corr-squared = 0.6468
sigma^2 = 0.0010
Nobs,Nvar = 266, 7
log-likelihood = 374.42596
# of iterations = 6
min and max rho = -28769588302190508.0000, -1.0000
total time in secs = 0.4380
time for optimiz = 0.3750
time for t-stats = 0.0320
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 0.003510 0.685101 0.493280
X2 -0.003512 -0.731570 0.464431
X3 0.007833 1.363226 0.172811
X4 0.265638 13.767000 0.000000
X5 0.396474 22.735865 0.000000
X6 0.469212 4.660615 0.000003
X7 -0.046080 -1.816471 0.069298
spat.aut. 0.560971 10.441693 0.000000
teta 492.657950 5.331317 0.000000
Lampiran 16 Pemodelan SAR Panel dengan Matriks Pembobot
Customize Pooled model with spatially lagged dependent variable, no fixed effects
Dependent Variable = Y
R-squared = 0.8473
corr-squared = 0.8345
126
Lampiran 16 Pemodelan SAR Panel dengan Matriks Pembobot
Customize (Lanjutan) sigma^2 = 0.1424
Nobs,Nvar,#FE = 266, 9, 8
log-likelihood = -119.00621
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.3450
time for optimiz = 0.1420
time for lndet = 0.0150
time for eigs = 0.1100
time for t-stats = 0.0460
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -3.876315 -3.916868 0.000090
X1 -0.078082 -3.112843 0.001853
X2 0.235544 12.111346 0.000000
X3 0.047805 1.307764 0.190954
X4 0.332135 3.761445 0.000169
X5 0.640926 9.363111 0.000000
X6 0.876867 4.445419 0.000009
X7 -0.633069 -3.686083 0.000228
W*dep.var. -0.149959 -3.423703 0.000618
Pooled model with spatially lagged dependent variable and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9995
corr-squared = 0.9253
sigma^2 = 0.0006
Nobs,Nvar,#FE = 266, 8, 45
log-likelihood = 614.36732
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.1570
time for optimiz = 0.0470
time for lndet = 0.0150
time for eigs = 0.0160
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 -0.000600 -0.155093 0.876748
127
Lampiran 16 Pemodelan SAR Panel dengan Matriks Pembobot
Customize (Lanjutan) X2 -0.005448 -1.560002 0.118760
X3 0.004385 1.000485 0.317076
X4 0.081979 5.585680 0.000000
X5 0.065156 1.659176 0.097080
X6 0.252442 3.160609 0.001574
X7 -0.031600 -1.704827 0.088227
W*dep.var. 0.706976 20.073692 0.000000
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 0.454318 0.049702 0.960360
sfe 1 -0.246803 -0.031402 0.974949
sfe 2 -0.121863 -0.013737 0.989040
sfe 3 -0.262982 -0.030476 0.975687
sfe 4 0.314766 0.033635 0.973168
sfe 5 -0.373883 -0.040283 0.967868
sfe 6 -0.607950 -0.068453 0.945425
sfe 7 1.431932 0.146353 0.883643
sfe 8 -0.144478 -0.015205 0.987869
sfe 9 -0.234610 -0.026087 0.979188
sfe 10 -0.260889 -0.028612 0.977174
sfe 11 -0.116483 -0.013025 0.989608
sfe 12 -0.380194 -0.042041 0.966466
sfe 13 0.951364 0.100959 0.919583
sfe 14 0.390144 0.041116 0.967204
sfe 15 -0.405501 -0.044037 0.964875
sfe 16 0.397173 0.049481 0.960536
sfe 17 -0.506977 -0.060256 0.951952
sfe 18 1.292739 0.135257 0.892408
sfe 19 -1.513560 -0.181430 0.856030
sfe 20 0.020629 0.002152 0.998283
sfe 21 -0.922714 -0.106560 0.915138
sfe 22 -2.252866 -0.260331 0.794608
sfe 23 -2.014092 -0.233466 0.815400
sfe 24 -0.313588 -0.036085 0.971215
sfe 25 2.619468 0.236303 0.813198
sfe 26 -1.381065 -0.167031 0.867346
sfe 27 0.159664 0.017467 0.986064
sfe 28 -0.070861 -0.007110 0.994327
sfe 29 0.655575 0.067931 0.945840
sfe 30 0.892707 0.092355 0.926416
128
Lampiran 16 Pemodelan SAR Panel dengan Matriks Pembobot
Customize (Lanjutan) sfe 31 0.430861 0.042549 0.966061
sfe 32 0.787158 0.080777 0.935620
sfe 33 0.978327 0.097821 0.922075
sfe 34 0.010999 0.001179 0.999059
sfe 35 0.066665 0.008544 0.993183
sfe 36 0.471097 0.045820 0.963454
sfe 37 -0.467860 -0.051310 0.959079
sfe 38 0.727951 0.087280 0.930449
LR-test joint significance spatial fixed effects, degrees of freedom and
probability = 1480.6190, 38, 0.0000
Pooled model with spatially lagged dependent variable and spatial random
effects
Dependent Variable = Y
R-squared = 0.9994
corr-squared = 0.1623
sigma^2 = 0.0006
Nobs,Nvar = 266, 8
log-likelihood = 420.24366
# of iterations = 6
min and max rho = -1.0000, 1.0000
total time in secs = 0.2660
time for optimiz = 0.2500
time for lndet = 0.0160
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 -0.000651 -0.169556 0.865360
X2 -0.005255 -1.507947 0.131568
X3 0.004423 1.016192 0.309538
X4 0.088364 6.097368 0.000000
X5 0.112861 6.266503 0.000000
X6 0.262191 3.345495 0.000821
X7 -0.033431 -1.797066 0.072325
W*dep.var. 0.678974 18.744974 0.000000
teta 0.009797 6.164624 0.000000
129
Lampiran 17 Pemodelan SEM Panel dengan Matriks Pembobot
Customize Pooled model with spatial error autocorrelation, no fixed effects
Dependent Variable = Y
R-squared = 0.8385
corr-squared = 0.8386
sigma^2 = 0.1315
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 8, 8
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.1880
time for optimiz = 0.1250
time for lndet = 0.0150
time for t-stats = 0.0160
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -5.087965 -6.554815 0.000000
X1 -0.093463 -4.325396 0.000015
X2 0.217185 13.045352 0.000000
X3 0.068780 1.965248 0.049386
X4 0.239137 3.306916 0.000943
X5 0.711328 11.979521 0.000000
X6 0.819304 4.658389 0.000003
X7 -0.543517 -3.535384 0.000407
spat.aut. -0.236068 -3.325684 0.000882
Pooled model with spatial error autocorrelation and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9987
corr-squared = 0.9081
sigma^2 = 0.0018
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 7, 45
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.0780
time for optimiz = 0.0150
time for lndet = 0.0160
No lndet approximation used
***************************************************************
130
Lampiran 17 Pemodelan SEM Panel dengan Matriks Pembobot
Customize (Lanjutan) Variable Coefficient Asymptot t-stat z-probability
X1 0.001666 0.246834 0.805037
X2 -0.000073 -0.012190 0.990274
X3 0.021236 2.761763 0.005749
X4 0.248381 14.465861 0.000000
X5 0.221806 3.346188 0.000819
X6 0.572798 4.242197 0.000022
X7 -0.010448 -0.332934 0.739184
spat.aut. -0.236068 -3.325684 0.000882
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 2.004616 0.123348 0.901832
sfe 1 -0.587107 -0.042016 0.966486
sfe 2 -0.577744 -0.036629 0.970780
sfe 3 -0.597028 -0.038915 0.968958
sfe 4 -0.067067 -0.004031 0.996784
sfe 5 -0.032673 -0.001980 0.998420
sfe 6 -0.416597 -0.026383 0.978952
sfe 7 1.229833 0.070699 0.943637
sfe 8 -0.058666 -0.003473 0.997229
sfe 9 -0.386609 -0.024179 0.980710
sfe 10 -0.547607 -0.033780 0.973053
sfe 11 -0.600420 -0.037762 0.969877
sfe 12 -0.549904 -0.034202 0.972716
sfe 13 0.663954 0.039630 0.968388
sfe 14 0.581689 0.034480 0.972495
sfe 15 -0.069050 -0.004218 0.996635
sfe 16 0.100249 0.007025 0.994395
sfe 17 -0.666097 -0.044529 0.964483
sfe 18 1.432380 0.084294 0.932823
sfe 19 -1.232900 -0.083124 0.933753
sfe 20 0.492830 0.028919 0.976929
sfe 21 -0.748813 -0.048639 0.961207
sfe 22 -1.035612 -0.067309 0.946335
sfe 23 -1.200970 -0.078301 0.937589
sfe 24 -0.642971 -0.041614 0.966806
sfe 25 1.842034 0.093463 0.925535
sfe 26 -0.376475 -0.025610 0.979569
sfe 27 -0.082084 -0.005051 0.995970
sfe 28 -0.090945 -0.005132 0.995905
131
Lampiran 17 Pemodelan SEM Panel dengan Matriks Pembobot
Customize (Lanjutan) sfe 29 0.680534 0.039663 0.968362
sfe 30 0.513777 0.029896 0.976150
sfe 31 1.076058 0.059770 0.952339
sfe 32 0.496415 0.028652 0.977142
sfe 33 0.610839 0.034353 0.972596
sfe 34 0.016451 0.000992 0.999208
sfe 35 -0.046600 -0.003359 0.997320
sfe 36 1.087493 0.059492 0.952561
sfe 37 -0.382291 -0.023581 0.981187
sfe 38 0.171697 0.011579 0.990762
Pooled model with spatial error autocorrelation and spatial random effects
Dependent Variable = Y
R-squared = 0.9989
corr-squared = 0.6468
sigma^2 = 0.0010
Nobs,Nvar = 266, 7
log-likelihood = 374.42596
# of iterations = 6
min and max rho = -28769588302190508.0000, -1.0000
total time in secs = 0.4060
time for optimiz = 0.3280
time for t-stats = 0.0160
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1 0.003510 0.685101 0.493280
X2 -0.003512 -0.731570 0.464431
X3 0.007833 1.363226 0.172811
X4 0.265638 13.767000 0.000000
X5 0.396474 22.735865 0.000000
X6 0.469212 4.660615 0.000003
X7 -0.046080 -1.816471 0.069298
spat.aut. 0.560971 10.441693 0.000000
teta 492.657950 5.331317 0.000000
132
Lampiran 18 Pendeteksian Multikolinearitas dengan VIF dan
Korelasi Predictor Coef SE Coef T P VIF
Constant -3.1986 0.8306 -3.85 0.000
lnX1 -0.08035 0.02593 -3.10 0.002 2.762
lnX2 0.21237 0.01926 11.03 0.000 2.710
lnX3 0.04392 0.03794 1.16 0.248 3.361
lnX4 0.34015 0.09134 3.72 0.000 4.293
lnX5 0.66192 0.07021 9.43 0.000 5.443
lnX6 0.7842 0.2026 3.87 0.000 4.415
lnX7 -0.5353 0.1749 -3.06 0.002 2.664
Correlations: lnY, lnX1, lnX2, lnX3, lnX4, lnX5, lnX6, lnX7 lnY lnX1 lnX2 lnX3 lnX4 lnX5 lnX6
lnX1 0.558
0.000
lnX2 0.746 0.484
0.000 0.000
lnX3 0.723 0.629 0.694
0.000 0.000 0.000
lnX4 0.761 0.661 0.521 0.728
0.000 0.000 0.000 0.000
lnX5 0.709 0.607 0.306 0.519 0.769
0.000 0.000 0.000 0.000 0.000
lnX6 0.106 0.151 0.496 0.307 -0.039 -0.413
0.083 0.014 0.000 0.000 0.532 0.000
lnX7 0.166 0.454 0.393 0.403 0.275 -0.070 0.671
0.007 0.000 0.000 0.000 0.000 0.252 0.000
Lampiran 19 Uji Dependensi Spasial 3 Variabel Independen
dengan Lagrange Multiplier Menggunakan Matriks Pembobot
Queen Contiguity Ordinary Least-squares Estimates
Dependent Variable = Y
R-squared = 0.8218
Rbar-squared = 0.8198
sigma^2 = 0.1686
Durbin-Watson = 2.1068
Nobs, Nvars = 266, 4
133
Lampiran 19 Uji Dependensi Spasial 3 Variabel Independen
dengan Lagrange Multiplier Menggunakan Matriks Pembobot
Queen Contiguity (Lanjutan) Variable Coefficient t-statistic t-probability
intercept -4.457655 -6.334839 0.000000
X4 0.008002 0.089253 0.928949
X5 0.475639 9.579425 0.000000
X1+X2+X3 0.476009 17.386005 0.000000
loglikols =
-138.6542
T =
7
LM test no spatial lag, probability = 0.0160, 0.899
robust LM test no spatial lag, probability = 3.4501, 0.063
LM test no spatial error, probability = 3.1564, 0.076
robust LM test no spatial error, probability = 6.5905, 0.010
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.9051
Rbar-squared = 0.9044
sigma^2 = 0.0013
Durbin-Watson = 1.3744
Nobs, Nvars = 266, 3
***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 0.288358 23.872045 0.000000
variable 2 0.145359 2.538466 0.011711
variable 3 0.045278 4.871579 0.000002
FE_rsqr2 =
0.9987
loglikfe =
510.7473
T =
7
LM test no spatial lag, probability = 125.3276, 0.000
robust LM test no spatial lag, probability = 46.5003, 0.000
LM test no spatial error, probability = 78.9721, 0.000
robust LM test no spatial error, probability = 0.1448, 0.704
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
134
Lampiran 19 Uji Dependensi Spasial 3 Variabel Independen
dengan Lagrange Multiplier Menggunakan Matriks Pembobot
Queen Contiguity (Lanjutan) Ordinary Least-squares Estimates
R-squared = 0.0151
Rbar-squared = 0.0076
sigma^2 = 0.0006
Durbin-Watson = 2.0754
Nobs, Nvars = 266, 3
***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 0.050221 1.974704 0.049348
variable 2 -0.000122 -0.003057 0.997564
variable 3 0.001495 0.222031 0.824462
T =
7
LM test no spatial lag, probability = 29.9180, 0.000
robust LM test no spatial lag, probability = 0.1586, 0.690
LM test no spatial error, probability = 29.7643, 0.000
robust LM test no spatial error, probability = 0.0049, 0.944
Lampiran 20 Uji Dependensi Spasial 3 Variabel Independen
dengan Lagrange Multiplier Menggunakan Matriks Pembobot
Customize Ordinary Least-squares Estimates
Dependent Variable = Y
R-squared = 0.8218
Rbar-squared = 0.8198
sigma^2 = 0.1686
Durbin-Watson = 2.1068
Nobs, Nvars = 266, 4
***************************************************************
Variable Coefficient t-statistic t-probability
intercept -4.457655 -6.334839 0.000000
X4 0.008002 0.089253 0.928949
X5 0.475639 9.579425 0.000000
X1+X2+X3 0.476009 17.386005 0.000000
loglikols =
-138.6542
135
Lampiran 20 Uji Dependensi Spasial 3 Variabel Independen
dengan Lagrange Multiplier Menggunakan Matriks Pembobot
Customize (Lanjutan) T =
7
LM test no spatial lag, probability = 1.5617, 0.211
robust LM test no spatial lag, probability = 0.0002, 0.988
LM test no spatial error, probability = 3.6546, 0.056
robust LM test no spatial error, probability = 2.0931, 0.148
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.9051
Rbar-squared = 0.9044
sigma^2 = 0.0013
Durbin-Watson = 1.3744
Nobs, Nvars = 266, 3
***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 0.288358 23.872045 0.000000
variable 2 0.145359 2.538466 0.011711
variable 3 0.045278 4.871579 0.000002
FE_rsqr2 =
0.9987
loglikfe =
510.7473
T =
7
LM test no spatial lag, probability = 125.7519, 0.000
robust LM test no spatial lag, probability = 45.2453, 0.000
LM test no spatial error, probability = 80.5423, 0.000
robust LM test no spatial error, probability = 0.0356, 0.850
Wrong # of variable names in prt_reg -- check vnames argument
will use generic variable names
Ordinary Least-squares Estimates
R-squared = 0.0151
Rbar-squared = 0.0076
sigma^2 = 0.0006
Durbin-Watson = 2.0754
Nobs, Nvars = 266, 3
136
Lampiran 20 Uji Dependensi Spasial 3 Variabel Independen
dengan Lagrange Multiplier Menggunakan Matriks Pembobot
Customize (Lanjutan) ***************************************************************
Variable Coefficient t-statistic t-probability
variable 1 0.050221 1.974704 0.049348
variable 2 -0.000122 -0.003057 0.997564
variable 3 0.001495 0.222031 0.824462
T = 7
LM test no spatial lag, probability = 28.0030, 0.000
robust LM test no spatial lag, probability = 0.0210, 0.885
LM test no spatial error, probability = 28.0795, 0.000
robust LM test no spatial error, probability = 0.0975, 0.755
Lampiran 21 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
info =
lflag: 0
model: 0
Pooled model with spatially lagged dependent variable, no fixed effects
Dependent Variable = Y
R-squared = 0.8219
corr-squared = 0.8221
sigma^2 = 0.1661
Nobs,Nvar,#FE = 266, 5, 4
log-likelihood = -138.64529
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.3630
time for optimiz = 0.1190
time for lndet = 0.0130
time for eigs = 0.1120
time for t-stats = 0.0540
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -4.506179 -5.851548 0.000000
X1+X2+X3 0.473694 14.871531 0.000000
X4 0.008628 0.096594 0.923049
X5 0.477112 9.129036 0.000000
W*dep.var. 0.005981 0.121985 0.902911
137
Lampiran 21 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
(Lanjutan)
Pooled model with spatially lagged dependent variable and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9995
corr-squared = 0.9234
sigma^2 = 0.0006
Nobs,Nvar,#FE = 266, 4, 41
log-likelihood = 609.89391
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.1400
time for optimiz = 0.0350
time for lndet = 0.0100
time for eigs = 0.0340
time for t-stats = 0.0060
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.012734 2.021825 0.043194
X4 0.088472 6.508157 0.000000
X5 0.028447 0.737374 0.460895
W*dep.var. 0.702975 20.046871 0.000000
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 0.962232 0.221395 0.824785
sfe 1 -0.205576 -0.052884 0.957824
sfe 2 -0.089188 -0.020721 0.983468
sfe 3 -0.220729 -0.052651 0.958010
sfe 4 0.370167 0.084578 0.932597
sfe 5 -0.374700 -0.086417 0.931135
sfe 6 -0.618805 -0.146198 0.883765
sfe 7 1.427653 0.310033 0.756536
sfe 8 -0.092422 -0.020911 0.983317
sfe 9 -0.184639 -0.042872 0.965804
sfe 10 -0.247274 -0.057968 0.953774
sfe 11 -0.071016 -0.016678 0.986694
sfe 12 -0.367232 -0.085860 0.931578
sfe 13 0.958334 0.215346 0.829497
sfe 14 0.386859 0.087685 0.930127
sfe 15 -0.355029 -0.081481 0.935059
138
Lampiran 21 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
(Lanjutan)
sfe 16 0.371523 0.089378 0.928782
sfe 17 -0.499689 -0.118968 0.905301
sfe 18 1.327049 0.292732 0.769727
sfe 19 -1.437479 -0.356768 0.721266
sfe 20 0.119546 0.026592 0.978785
sfe 21 -0.880658 -0.214677 0.830019
sfe 22 -2.194354 -0.530842 0.595528
sfe 23 -1.961559 -0.470806 0.637779
sfe 24 -0.225529 -0.054259 0.956729
sfe 25 1.585760 0.312501 0.754660
sfe 26 -1.331046 -0.335212 0.737465
sfe 27 0.203821 0.046813 0.962663
sfe 28 -0.035549 -0.007768 0.993802
sfe 29 0.687202 0.152906 0.878472
sfe 30 0.925450 0.206159 0.836667
sfe 31 0.478184 0.099968 0.920370
sfe 32 0.789987 0.173973 0.861887
sfe 33 1.005945 0.219024 0.826631
sfe 34 -0.009490 -0.002196 0.998248
sfe 35 -0.022890 -0.005664 0.995481
sfe 36 0.582089 0.121615 0.903204
sfe 37 -0.500634 -0.116439 0.907304
sfe 38 0.705917 0.168753 0.865991
LR-test joint significance spatial fixed effects, degrees of freedom and
probability = 1527.2584, 38, 0.0000
Pooled model with spatially lagged dependent variable and spatial random
effects
Dependent Variable = Y
R-squared = 0.9994
corr-squared = 0.1262
sigma^2 = 0.0006
Nobs,Nvar = 266, 4
log-likelihood = 419.00425
# of iterations = 7
min and max rho = -1.0000, 1.0000
total time in secs = 0.7040
time for optimiz = 0.6730
time for lndet = 0.0150
139
Lampiran 21 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
(Lanjutan)
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.012333 1.954247 0.050672
X4 0.091235 6.768888 0.000000
X5 0.111469 6.527907 0.000000
W*dep.var. 0.684979 19.382667 0.000000
teta 0.011489 6.164703 0.000000
LR-test significance spatial random effects, degrees of freedom and probability
= 1145.4572, 1, 0.0000
Lampiran 22 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
info = lflag: 0
model: 0
Pooled model with spatial error autocorrelation, no fixed effects
Dependent Variable = Y
R-squared = 0.8209
corr-squared = 0.8209
sigma^2 = 0.1614
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 4, 4
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.4050
time for optimiz = 0.2010
time for lndet = 0.0140
time for t-stats = 0.1050
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -4.010393 -6.568420 0.000000
X1+X2+X3 0.495209 21.133076 0.000000
X4 -0.086409 -1.177193 0.239119
X5 0.518633 11.615396 0.000000
spat.aut. -0.236068 -3.325684 0.000882
140
Lampiran 22 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
(Lanjutan) Pooled model with spatial error autocorrelation and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9986
corr-squared = 0.9048
sigma^2 = 0.0018
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 3, 41
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.0780
time for optimiz = 0.0170
time for lndet = 0.0100
time for t-stats = 0.0030
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.052608 4.985148 0.000001
X4 0.280778 21.412294 0.000000
X5 0.169482 2.569409 0.010187
spat.aut. -0.236068 -3.325684 0.000882
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 2.763813 0.355400 0.722290
sfe 1 -0.565415 -0.081290 0.935211
sfe 2 -0.572322 -0.074312 0.940762
sfe 3 -0.572341 -0.076300 0.939181
sfe 4 -0.008313 -0.001062 0.999153
sfe 5 -0.113559 -0.014637 0.988322
sfe 6 -0.532542 -0.070317 0.943941
sfe 7 1.121615 0.136129 0.891720
sfe 8 -0.009138 -0.001155 0.999078
sfe 9 -0.347145 -0.045049 0.964069
sfe 10 -0.555456 -0.072775 0.941985
sfe 11 -0.546019 -0.071665 0.942869
sfe 12 -0.583633 -0.076263 0.939210
sfe 13 0.591981 0.074345 0.940736
sfe 14 0.496074 0.062841 0.949893
sfe 15 -0.040619 -0.005210 0.995843
sfe 16 -0.054221 -0.007290 0.994183
141
Lampiran 22 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
(Lanjutan) sfe 17 -0.744841 -0.099109 0.921051
sfe 18 1.483909 0.182941 0.854844
sfe 19 -1.061356 -0.147220 0.882959
sfe 20 0.659095 0.081939 0.934695
sfe 21 -0.659271 -0.089818 0.928432
sfe 22 -0.927142 -0.125350 0.900246
sfe 23 -1.066691 -0.143087 0.886222
sfe 24 -0.430270 -0.057854 0.953865
sfe 25 1.962212 0.216113 0.828900
sfe 26 -0.278366 -0.039180 0.968747
sfe 27 -0.069292 -0.008894 0.992903
sfe 28 -0.090311 -0.011030 0.991200
sfe 29 0.696327 0.086591 0.930996
sfe 30 0.508278 0.063281 0.949543
sfe 31 1.091588 0.127539 0.898514
sfe 32 0.398135 0.049002 0.960918
sfe 33 0.583092 0.070954 0.943435
sfe 34 -0.100127 -0.012948 0.989669
sfe 35 -0.369828 -0.051140 0.959214
sfe 36 1.228108 0.143401 0.885973
sfe 37 -0.526881 -0.068488 0.945397
sfe 38 0.004686 0.000626 0.999500
Pooled model with spatial error autocorrelation and spatial random effects
Dependent Variable = Y
R-squared = 0.9988
corr-squared = 0.6093
sigma^2 = 0.0011
Nobs,Nvar = 266, 3
log-likelihood = 366.32429
# of iterations = 7
min and max rho = -28769588302190508.0000, -1.0000
total time in secs = 1.6000
time for optimiz = 1.2240
time for eigs = 0.1830
time for t-stats = 0.1260
***************************************************************
142
Lampiran 22 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Queen Contiguity
(Lanjutan) Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.027854 3.049393 0.002293
X4 0.286395 17.799542 0.000000
X5 0.403237 23.116270 0.000000
spat.aut. 0.551282 10.122021 0.000000
teta 449.832132 5.327144 0.000000
Lampiran 23 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize info =
lflag: 0
model: 0
Pooled model with spatially lagged dependent variable, no fixed effects
Dependent Variable = Y
R-squared = 0.8230
corr-squared = 0.8211
sigma^2 = 0.1649
Nobs,Nvar,#FE = 266, 5, 4
log-likelihood = -137.88397
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 2.7950
time for optimiz = 0.5270
time for lndet = 0.1550
time for eigs = 1.1770
time for t-stats = 0.2380
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -3.827647 -4.681939 0.000003
X1+X2+X3 0.495535 16.492622 0.000000
X4 -0.006279 -0.070809 0.943550
X5 0.463145 9.031550 0.000000
W*dep.var. -0.059964 -1.278674 0.201012
Pooled model with spatially lagged dependent variable and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9995
corr-squared = 0.9232
143
Lampiran 23 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize
(Lanjutan) sigma^2 = 0.0006
Nobs,Nvar,#FE = 266, 4, 41
log-likelihood = 608.56381
# of iterations = 1
min and max rho = -1.0000, 1.0000
total time in secs = 0.2280
time for optimiz = 0.0450
time for lndet = 0.0080
time for eigs = 0.0520
time for t-stats = 0.0180
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.012491 1.970116 0.048825
X4 0.086488 6.329986 0.000000
X5 0.031861 0.820712 0.411810
W*dep.var. 0.710960 20.276328 0.000000
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 0.900703 0.205851 0.836907
sfe 1 -0.230126 -0.058803 0.953109
sfe 2 -0.114482 -0.026419 0.978923
sfe 3 -0.246436 -0.058389 0.953438
sfe 4 0.342949 0.077835 0.937960
sfe 5 -0.408767 -0.093643 0.925393
sfe 6 -0.649618 -0.152450 0.878832
sfe 7 1.397400 0.301432 0.763085
sfe 8 -0.125333 -0.028167 0.977529
sfe 9 -0.213931 -0.049341 0.960648
sfe 10 -0.272876 -0.063542 0.949335
sfe 11 -0.094686 -0.022088 0.982378
sfe 12 -0.394919 -0.091716 0.926924
sfe 13 0.930154 0.207615 0.835529
sfe 14 0.353741 0.079642 0.936522
sfe 15 -0.390586 -0.089042 0.929049
sfe 16 0.346120 0.082709 0.934083
sfe 17 -0.527280 -0.124697 0.900763
sfe 18 1.300684 0.284996 0.775647
sfe 19 -1.462272 -0.360492 0.718479
144
Lampiran 23 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize
(Lanjutan) sfe 20 0.083358 0.018418 0.985305
sfe 21 -0.905918 -0.219357 0.826372
sfe 22 -2.230944 -0.536082 0.591902
sfe 23 -1.992059 -0.474926 0.634840
sfe 24 -0.245005 -0.058551 0.953310
sfe 25 2.683063 0.525204 0.599441
sfe 26 -1.365590 -0.341610 0.732645
sfe 27 0.174941 0.039911 0.968164
sfe 28 -0.068397 -0.014847 0.988155
sfe 29 0.655469 0.144869 0.884814
sfe 30 0.896385 0.198348 0.842773
sfe 31 0.438909 0.091143 0.927379
sfe 32 0.758973 0.166024 0.868138
sfe 33 0.974762 0.210815 0.833032
sfe 34 -0.040451 -0.009297 0.992582
sfe 35 -0.049281 -0.012112 0.990337
sfe 36 0.539583 0.111979 0.910840
sfe 37 -0.529514 -0.122332 0.902636
sfe 38 0.681981 0.161940 0.871353
LR-test joint significance spatial fixed effects, degrees of freedom and
probability = 1512.8009, 38, 0.0000
Pooled model with spatially lagged dependent variable and spatial random
effects
Dependent Variable = Y
R-squared = 0.9993
corr-squared = 0.1779
sigma^2 = 0.0006
Nobs,Nvar = 266, 4
log-likelihood = 414.86968
# of iterations = 5
min and max rho = -1.0000, 1.0000
total time in secs = 0.5070
time for optimiz = 0.4630
time for lndet = 0.0070
time for eigs = 0.0190
time for t-stats = 0.0140
No lndet approximation used
***************************************************************
145
Lampiran 23 Pemodelan SAR Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize
(Lanjutan) Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.013266 2.051568 0.040212
X4 0.095615 6.862149 0.000000
X5 0.119330 6.686540 0.000000
W*dep.var. 0.669980 18.225498 0.000000
teta 0.011489 6.164703 0.000000
LR-test significance spatial random effects, degrees of freedom and probability
= 1125.4126, 1, 0.0000
Lampiran 24 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize info =
lflag: 0
model: 0
Pooled model with spatial error autocorrelation, no fixed effects
Dependent Variable = Y
R-squared = 0.8210
corr-squared = 0.8210
sigma^2 = 0.1611
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 4, 4
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.2240
time for optimiz = 0.1390
time for lndet = 0.0150
time for t-stats = 0.0090
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
intercept -3.972432 -6.486053 0.000000
X1+X2+X3 0.490290 20.644592 0.000000
X4 -0.081064 -1.108023 0.267852
X5 0.516240 11.575659 0.000000
spat.aut. -0.236068 -3.275430 0.001055
146
Lampiran 24 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize
(Lanjutan) Pooled model with spatial error autocorrelation and spatial fixed effects
Dependent Variable = Y
R-squared = 0.9986
corr-squared = 0.9048
sigma^2 = 0.0018
log-likelihood = NaN
Nobs,Nvar,#FE = 266, 3, 41
# iterations = 21
min and max rho = -1.0000, 1.0000
total time in secs = 0.0850
time for optimiz = 0.0220
time for lndet = 0.0110
time for t-stats = 0.0030
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.052517 4.976457 0.000001
X4 0.280857 21.423481 0.000000
X5 0.169152 2.563271 0.010369
spat.aut. -0.236068 -3.275430 0.001055
Mean intercept and spatial fixed effects
Variable Coefficient Asymptot t-stat z-probability
intercept 2.768475 0.356237 0.721663
sfe 1 -0.565689 -0.081384 0.935137
sfe 2 -0.572294 -0.074358 0.940725
sfe 3 -0.572413 -0.076360 0.939133
sfe 4 -0.008221 -0.001051 0.999162
sfe 5 -0.113489 -0.014638 0.988321
sfe 6 -0.532591 -0.070371 0.943899
sfe 7 1.121937 0.136259 0.891617
sfe 8 -0.008996 -0.001138 0.999092
sfe 9 -0.347096 -0.045072 0.964050
sfe 10 -0.555531 -0.072834 0.941939
sfe 11 -0.546105 -0.071724 0.942821
sfe 12 -0.583657 -0.076317 0.939167
sfe 13 0.592121 0.074412 0.940683
sfe 14 0.496215 0.062901 0.949846
sfe 15 -0.040512 -0.005200 0.995851
147
Lampiran 24 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize
(Lanjutan) sfe 16 -0.054300 -0.007306 0.994171
sfe 17 -0.744880 -0.099181 0.920995
sfe 18 1.483698 0.183037 0.854769
sfe 19 -1.062000 -0.147407 0.882810
sfe 20 0.659169 0.082003 0.934645
sfe 21 -0.659761 -0.089945 0.928331
sfe 22 -0.927627 -0.125500 0.900128
sfe 23 -1.067284 -0.143262 0.886083
sfe 24 -0.430805 -0.057965 0.953777
sfe 25 1.962836 0.216326 0.828734
sfe 26 -0.278913 -0.039283 0.968665
sfe 27 -0.069179 -0.008886 0.992910
sfe 28 -0.090015 -0.011001 0.991223
sfe 29 0.696495 0.086670 0.930934
sfe 30 0.508542 0.063356 0.949483
sfe 31 1.091917 0.127662 0.898416
sfe 32 0.398507 0.049080 0.960855
sfe 33 0.583518 0.071053 0.943355
sfe 34 -0.100013 -0.012942 0.989674
sfe 35 -0.369935 -0.051189 0.959175
sfe 36 1.228565 0.143551 0.885855
sfe 37 -0.526931 -0.068540 0.945356
sfe 38 0.004717 0.000631 0.999497
Pooled model with spatial error autocorrelation and spatial random effects
Dependent Variable = Y
R-squared = 0.9988
corr-squared = 0.6204
sigma^2 = 0.0011
Nobs,Nvar = 266, 3
log-likelihood = 370.09419
# of iterations = 6
min and max rho = -7202551834721742.0000, 1.0000
total time in secs = 0.4660
time for optimiz = 0.3520
time for eigs = 0.0030
time for t-stats = 0.0640
***************************************************************
148
Lampiran 24 Pemodelan SEM Panel dengan 3 Variabel
Independen Menggunakan Matriks Pembobot Customize
(Lanjutan) Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.027597 3.020066 0.002527
X4 0.283594 17.487205 0.000000
X5 0.409186 24.340369 0.000000
spat.aut. 0.559412 10.174794 0.000000
teta 365.795699 5.433531 0.000000
Lampiran 25 Pemodelan SAR Random Effects Data Trial dengan
3 Variabel Independen Menggunakan Matriks Pembobot Queen
Contiguity Pooled model with spatially lagged dependent variable and spatial random
effects
Dependent Variable = Y
R-squared = 0.9997
corr-squared = 0.3113
sigma^2 = 0.0003
Nobs,Nvar = 152, 4
log-likelihood = 223.71116
# of iterations = 5
min and max rho = -1.0000, 1.0000
total time in secs = 1.1410
time for optimiz = 1.0710
time for lndet = 0.0070
time for eigs = 0.0950
time for t-stats = 0.0110
No lndet approximation used
***************************************************************
Variable Coefficient Asymptot t-stat z-probability
X1+X2+X3 0.053101 4.240438 0.000022
X4 0.049166 3.235666 0.001214
X5 0.136080 6.022609 0.000000
W*dep.var. 0.644994 13.376119 0.000000
teta 0.011489 6.164614 0.000000
149
Lampiran 26 Surat Pernyataan Pengambilan Data
150
Lampiran 27 Surat Perizinan Pengambilan Data di PT. PLN
(Persero) Distribusi Jawa Timur
BIODATA PENULIS
Penulis terlahir dengan nama Fausania
Hibatullah, biasa dipanggil Sania. Penulis
dilahirkan di Surabaya pada tanggal 02 Maret
1996 dan merupakan anak pertama dari
pasangan Bapak Moch. Ma’ruf dan Ibu Susi
Indrawati, juga merupakan anak pertama dari
dua bersaudara. Pendidikan formal yang
ditempuh penulis adalah TK Bahrul Ulum
Surabaya, SDN Wiyung Surabaya, SMPN 16
Surabaya, dan SMAN 15 Surabaya. Setelah
lulus dari SMA, penulis diterima di jalur
reguler tes masuk DIII di ITS Surabaya tepatnya di program Studi
Diploma III Jurusan Statistika. Selama kuliah, penulis aktif di
Himpunan Mahasiswa Diploma Statistika ITS (HIMADATA-ITS)
dan menjabat menjadi staff departemen kewirausahaan pada tahun
kedua perkuliahan (periode 2014-2015) hingga akhirnya menjadi
Ketua Biro Riset dan Pengembangan Departemen KWU
HIMADATA-ITS pada tahun ketiga (periode 2015-2016).
Aktifitas lain dari penulis selama kuliah adalah pernah menjadi
asisten dosen pada mata kuliah Metode Regresi, Eksperimen
Desain dan Biostatistika. Setelah lulus Pendidikan Diploma pada
tahun 2016, penulis melanjutkan kuliah untuk program Sarjana
Lintas Jalur di Statistika ITS. Pada tahun 2018, penulis
berkesempatan menjadi Finalis Pekan Ilmiah Mahasiswa Nasional
(PIMNAS) ke-30 pada bidang Penelitian Sosial Humaniora (PKM-
PSH). Bagi penulis, berbagi ilmu sama halnya dengan
memperkaya diri baik dari segi keilmuan ataupun berkah yang
akan didapatkan dari Allah SWT. Penulis terbuka atas segala kritik,
saran maupun pertanyaan terkait laporan Tugas Akhir ini melalui
alamat email [email protected]. Terimakasih.
Top Related